Curso Adr (Vcdse - r2m)

Anlisis de Riesgo e
Incertidumbre
Conceptos Bsicos: Contenido
Incertidumbre
Riesgo
Anlisis de Riesgo
Decisin
Probabilidad y Estadstica Descriptiva

Probabilidad (Probabilidad, Poblacin, Muestra Representativa)
Estadstica Descriptiva Variables Aleatoria
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
Tratamiento de Muestras con menos de 15 Datos

Muestras medianas (entre 6 y 15 datos)
Muestras pequeas (Menos de 6 datos)
Administracin de la Incertidumbre como principal elemento en la mitigacin de Riesgo

Fuentes de la Incertidumbre
Administracin de la Incertidumbre
Dimensionamiento de la Incertidumbre
Estimacin del Impacto de la Incertidumbre
Premisas para reduccin de la Incertidumbre
Modelo Probabilstico de Pozos

Modelo de Estimacin de la Cuota Inicial de Aceite (Qo)
Probabilidad de alcanzar el objetivo geolgico, completar en otro objetivo o abandonar
Modelo para la Generacin de los Perfiles de Produccin de un Pozo
Modelo para generar pronstico de tiempos y costos de la actividad de perforacin y/o
reparacin de pozo
Incertidumbre
Es preferible estar aproximadamente correcto

que exactamente equivocado
Incertidumbre
Certidumbre
Incertidumbre
El nivel de conocimiento acerca de un proceso especfico puede variar desde el extremo de no saber
absolutamente nada acerca del mismo (ignorancia total), hasta el extremo de llegar a entender y modelar
completamente su comportamiento (certidumbre total).
El escenario ms comn es el de la incertidumbre; es decir, disponer de un nivel de conocimiento que es
mayor que la ignorancia total; pero que no alcanza el estado de certidumbre total.
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
La Incertidumbre es una medida de la inseguridad o grado de desconocimiento acerca de

una variable, proceso o fenmeno bajo estudio
Riesgo
Sin incertidumbre, no hay riesgo

Riesgo
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
El anlisis de riesgo es una ciencia de

toma de decisiones en ambientes con
incertidumbre
Escuelas de Anlisis de Riesgo
Escuela Bsica : Anlisis de Riesgo por
ndices Subjetivos de Riesgo
Herramienta Base de Anlisis: Matrices de Multiples Atributos
Producto: Calificacin del Riesgo (Alto, Medio, Bajo)

Area 1:
Virtud: Velocidad y Facilidad del Anlisis
Dimensionamiento del
Riesgo
Debilidad: Subjetividad y Inauditabilidad del Anlisis
Escuela Avanzada: Anlisis Cuantitativo de

Riesgo Quantitative Risk Analysis (QRA)
Herramienta Base de Anlisis: Caracterizacin Probabilstica
Area 2: Area 3: de la Informacin de Variables y Modelaje Estocstico de Procesos
(Probabilidad y Estadstica Descriptiva)
Administracin del Comunicacin del
Riesgo Riesgo Producto: Cuantificacin del Riesgo.
Virtud: Reduccin de la Subjetividad y Trazabilidad del Anlisis
Debilidad: Complejidad
Decisin
En el mundo real, al final, tenemos la

irrenunciable obligacin de decidir
Decisin
Decisin es un proceso ms que el simple hecho de elegir entre alternativas, es un proceso que incluye identificar un
problema, elegir una alternativa y evaluar la eficacia de dicha decisin. (Robbins, 1996 : 111)
Las decisiones contemporneas ya no solo consisten en seleccionar entre diversas alternativas sino que han
evolucionado en grado de complejidad. Como ejemplo de decisiones complejas tenemos:
Jerarquizar las alternativas.
Seleccionar la mejor combinacin de alternativas.
Seleccionar la opcin optima entre un conjunto de alternativas de la misma naturaleza respecto a varios
criterios (optimizar).
Las decisiones que se toman en el

PASADO PRESENTE FUTURO
presente, se alimentan de los datos del
pasado y generan acciones (elegida entre
ACCION RESULTADOS
DATOS DECISION
( Ai ) ( Xij ) las Ai) que provocar un resultado en el
futuro. El resultado depender del la
accin que se realice.
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
Exigentes estndares ambientales

Complejos aspectos legales y laborales
Aspectos polticos y macroeconmicos
Nuevos requerimientos tecnolgicos
Incertidumbre de la informacin y Riesgos Consecuentes
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
La Probabilidad y la Estadstica constituyen los pilares matemticos fundamentales para tomar

decisiones administrando el riesgo y la incertidumbre
IF YOU TORTURE THE DATA LONG ENOUGH; IT WILL

CONFESS
Annimo
Ejemplo de Evaluacin Econmica Probabilstica de Ciclo de Vida de un Pozo
Probabilidad:
Es una medida de la posibilidad de ocurrencia de un evento. La frecuencia de ocurrencia de un
evento es un indicador de probabilidad:
Si el evento A es muy frecuente => probabilidad de ocurrencia de A [P(A)] es alta (tiende a 1)
Si el evento A es poco frecuente=> probabilidad de ocurrencia de A [P(A)] es baja (tiende a 0)
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
Enfoque Bayesiano Enfoque Subjetivo
Basada en grado de conocimiento

(Grado de creencia)
Poblacin y Muestra
Poblacin: es el conjunto de todos los elementos que son objeto del estudio estadstico.
Muestra: es un subconjunto, extrado de la poblacin (mediante tcnicas de muestreo), cuyo estudio

sirve para inferir caractersticas de toda la poblacin.
Individuo: es cada uno de los elementos que forman la poblacin o la muestra.
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):
El anlisis de estos 100 pozos nos deja las 15

Pr( B ) = = 0.15
siguientes cifras: 100
Probabilidad de Abandonar el Nuevo Pozo (Evento C):
De 100 pozos perforados, 85 pozos fueron 5
completados en el objetivo geolgico planificado. Pr( C ) = = 0.05
100
15 pozos fueron completados en otro objetivo
geolgico. Probabilidad de Abandonar el Nuevo Pozo dado que
De los 15 pozos completados en otro objetivo, 5 no se pudo completar en un Objetivo Geolgico
pozos fueron abandonados, y el resto de ellos distinto al Planeado (Evento D):
fueron productores. 5
Pr( D ) = = 0.333
15
Influencia del Tamao de la Muestra en el clculo de la probabilidad p
MUESTRA # 1 MUESTRA # 2
Perforacin # Localizacin xito Fracaso

Perforacin # Localizacin xito Fracaso
1 CRAL X
1 KPTZ X
2 HAVM X
2 GTHS X
3 BCUB X Con ambas muestras se obtiene
3 RVHT X
4 MTSC X el mismo estimado para la
4 PKTF X 5 JDLD X probabilidad de fracaso p=0.1
5 JEIV X 6 HERR X
X 7 TBNM X A pesar de obtener el mismo
X X resultado, consideramos que la
X X estimacin de la probabilidad
X X
hecha con la muestra 2 tiene
10 MNTD X 30 ERTF X
mayor confianza porque la
muestra es mas grande.
fracasos : k 1 fracasos : k 3
trials : n 10 trials : n 30
1 3
p prob.fracaso 0 .1 p prob.fracaso 0.1
10 30
Estadstica Descriptiva
La Estadstica Descriptiva es la ciencia que se ocupa del estudio de la variacin, dispersin o incertidumbre de un
tipo especial de variables conocidas como Variables Random, Variables Aleatorias, Variables Dispersas o Variables
Distribuidas
La Estadstica Descriptiva se apoya en herramientas matemticas conocidas como Distribuciones de
Probabilidad y en indicadores de comportamiento de los datos conocidos como estadsticas de la variable
aleatoria que en conjunto permiten organizar, describir, representar matemtica y grficamente la informacin
sobre este tipo de variables y cuantificar su incertidumbre.
Curva de Estadsticas Variable Aleatoria

Histograma de Probabilidad
Frecuencias Media 68.53
Error tpico 1.31
Mediana 67.45
Moda 66.34
Desviacin estndar 13.06
Varianza de la muestra 170.54
Curtosis 0.00
Coeficiente de asimetra 0.46
Rango 60.60
Mnimo 41.62
Mximo 102.22
Variable Aleatoria
Se denomina variable aleatoria, random o distribuida, a una variable X que por sus caractersticas
pueda tomar un conjunto de valores (x1, x2, x3, x4, ... xn-1) cada uno de los cuales tiene una
probabilidad de ocurrencia (p1, p2, p3, p4, ... pn-1,), sin que se pueda asegurar especficamente cual de
todos estos probables valores tomar la variable.
p(X)
Convenio de Notacin .167
(X=xi): representa el evento "la variable aleatoria X toma el

.125
valor xi .083
.042
p(X=xi): representa la probabilidad que la variable aleatoria .000
X tome el valor xi. 2

x1
3
x2
4
x3
5
x4
6
x5
7
x6
8
x7
9
x8
10
x9
11 12
x10 x11
X
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)
f(x) Histogramas de Frecuencias f(x) Distribucin Parametrica

2
1 x

1 2
f (x) .e
2
Frecuencias
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
Histograma Acumulado Directo
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)
Histograma Acumulado Inverso

1.2
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
Promedio o Media Muestral Desviacin Estndar Muestral
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.
Distribucin de Probabilidad Distribucin de Probabilidad

Variables Discretas Variables Continuas
f(x)
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.
Distribucin de frecuencias o densidad de probabilidad f(X)

1
1
SE DEFINE COMO:
f(xi) f(xi)=Pr(x=xi)=pi
f( x ) 0.5
INTERPRETACIN:
PROBABILIDAD DE OBSERVAR EL VALOR xi

0 0
8 9 10 11 12
8 xi x 12
Variable Aleatoria
Distribucin de probabilidad acumulada directa F(X)

SE DEFINE COMO:
1
1.0
F(xi)=Pr(x xi)
F( x ) 0.5
INTERPRETACIN:
F(xi) PROBABILIDAD DE OBSERVAR VALORES xi
0
xi
Pr( x xi ) F ( xi ) f ( x )dx Area _ sombreada

0
8 9 10 11 12
8 xi x 12

Variable Aleatoria
Estadstica de la Poblacin - Distribuciones de Probabilidad Paramtricas - Formatos
Distribucin de probabilidad acumulada inversa C(X)

1
C(xi) SE DEFINE COMO:
C(xi)=Pr(x xi)
C(x)=1-F(x)
INTERPRETACIN:
0 PROBABILIDAD DE OBSERVAR VALORES xi

X
xi
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
XM =MODA (valor de la variable con

mayor probabilidad de ocurrencia)
f(x)
=MEDIA (medida de la tendencia
central, o valor esperado
de la variable)
=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
Una distribucin se caracteriza por:

El valor central o medida de posicin (la media, la mediana o la moda).
Una cantidad que expresa el grado de dispersin (la desviacin estndar).
La forma de la curva, es decir, la forma general de la distribucin probabilstica.
Estadstica de la Poblacin - Distribuciones de Probabilidad Paramtricas Estadsticas
Medidas de Posicin (Media, Moda, Mediana)
f(x) f(x)
x m x 50 % X xm X
x50%

m=media; xm: moda; x50%: mediana
Media Moda Mediana

x.f ( x )dx f ( x )
x mediana
E( X )
0 p( X xmediana ) f ( x )dx 0.50
x x xm

Medidas de Dispersin (Desviacin Estndar)
1

2
( x ) .f ( x )dx
2

Percentiles Estadsticos
F(x) Si es percentil de la distribucin de

1
probabilidad, el valor de la variable aleatoria
denotada como X o P para las cuales la
F(x) probabilidad acumulada es , se puede decir
que hay % de probabilidad de que la los
valores de la variable aleatoria X sean menores o
0
iguales a X.
x X x
f(x)
f ( x )dx

f(x)
El percentil 50 (P50 o X50%) se conoce como la

mediana de la distribucin.
x X
Intervalos de Confianza
f(x)
El intervalo de confianza es aquel en el cual se puede

decir que se encuentra el valor real con cierto grado de

confidencia.
f(xa)
f(xb) Mientras ms amplia sea la distancia entre los lmites del
intervalo, la probabilidad de que el valor real se
xa xb X
/2 /2 encuentre dentro del intervalo es mayor, lo cual aumenta
Intervalo de el rango de variacin.
F(x) Confianza
CONFIDENCE
INTERVAL
Los valores de Xa y Xb representan los lmites de

F(xb) confianza; la probabilidad representa el grado de
confianza o probabilidad de que le valor real de la
variable X se encuentre en el intervalo entre Xa y Xb
.
F(xa)
xa xb X
Estadstica de la Poblacin - Distribuciones de Probabilidad Paramtricas
Modelos Paramtricos de uso frecuente en Anlisis de Riesgo
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 Gamma Distribucin Geomtrica
Distribucin Triangular
Distribucin Uniforme
Lectura Complementaria No 2 - Extracto Tomo I. Disciplinas (pg 67 92)

De la Estadstica de la
Muestra a la de la Poblacin
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
Estadstica de la Muestra Estadstica de la Poblacin
f(x) Histogramas de Frecuencias f(x) Distribucin Parametrica

Distribucin No Paramtrica Distribucin Paramtrica
2
1 x

1 2
f (x) .e
2
Frecuencias
Frequencies
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
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.
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
Variables Relacionadas VariablesRelacionadas

Variables
Variables Relacionadas
Relacionadas
Variables
Variables Relacionadas
Relacionadas
con Desviacin conxito
con xito
xito
Variables
con yFracaso
Fracaso
yFracaso
yRelacionadas
con
con Desviacin
Variables ooo Error
Error
Relacionadas
Desviacin Error
con Desviacin o Error con xito y Fracaso
Muestras Grandes n>15 datos
Caracterizacin probabilstica de la
muestra o Cmo seleccionar el modelo
de distribucin de probabilidad para una
muestra dada?
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
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:
Utilizando el software Crystall Ball, Costos de Perforacin (MMUSD)

caracterice en forma probabilstica la
variable en estudio encontrando la 18.00 9.62 19.16
distribucin paramtrica que mejor 8.70 15.10 14.09
8.82 26.75 25.72
represente los datos.
9.20 25.79 22.01
Calcule las siguientes magnitudes de 10.39 23.00 9.66
inters: 9.85 20.89 18.13
9.28 29.54 16.3
- Media 10.11 14.11 19.5
- Desviacin estndar 10.03 20.87 21.49
10.40 26.79 14.84
- Percentil 10, 50 y 90.
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
Caracterizacin Probabilstica de Variables a

partir de la Opinin de Expertos
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 -
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
mnimo (Xmin), un valor mas probable (Xmprob) y un mximo 0,2

0,15
(Xmax). 0,1
0,05
0
La variable que se esta representando es una variable fsica o 0,1190 0,1390 0,1590 0,1790 0,1990 0,2190 0,236
una variable relacionada con tiempo.

Xmin Xmas probable Xmax
Caso 2: Distribucin LogNormal: Se utiliza para representar

EXPERTO
0.00400
0.00350
La opinin del experto viene expresada en dos valores; un 0.00300
mnimo (Xmin) y un mximo (Xmax). El experto expresa que debe 0.00250
Probability
0.00200
haber un valor mas probable pero no puede estimarlo. 0.00150
0.00100
La variable que se est representando es una variable fsica o

0.00050
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
EXPERTO Valor mas probable de la variabl
Mximo valor posible de la varia
f(x)
Caso 3: Distribucin Triangular: Se utiliza para representar
La opinin del experto viene expresada en tres valores; un

mnimo (Xmin), un valor mas probable (Xmprob) y un mximo
(Xmax).
La variable que se esta representando es una variable relacionada xmin xmprob. xmax X
con precios o costos.
Caso 4: Distribucin Uniforme: Se utiliza para representar f(x)

EXPERTO
La opinin del experto viene expresada en dos valores; un

mnimo (Xmin) y un mximo (Xmax).
El experto expresa que no hay un valor ms probable, es decir,

estima que todos los valores en ese rango tienen la misma
probabilidad de ocurrir. xmin xmax
a b X
EXPERTO
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)
Mnimo Mas Probable Mximo
19 34 150
Consultar Lectura No 5 - Proc. para caracterizar Opinin de Expertos con

Ver Ejemplo No 5 Opinin de Expertos xls
Crystal Ball BetaPert.odf
Caracterizacin Probabilstica de Variables desde la Opinin de Expertos Ejemplo No 6
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:
Factor de Mnimo 0.1228

Declinacin
Yacimiento XRM Mximo 0.3826
Ntese que la estimacin de la Velocidad de Declinacin, est dada por dos valores (un mximo y un mnimo).
1.- Qu distribucin de probabilidades puede usarse para representar dicha variable? Justifique su seleccin.
Consultar Lectura No 6- Procedimiento para Opinin de

Ver Ejemplo No 6 Opinin de Expertos xls
Expertos con Crystal Ball- LogNormal.pdf
Muestras Medianas 5<n<16 datos

Caracterizacin Probabilstica de Variables Muestras Medianas (5<n<16) Opcin 1
Paso 1: Determine el Valor Mnimo de los datos de la muestra.
Paso 2: Determine el Valor Mximo de los datos de la muestra.
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.
Pasos 1 y 2 Paso 3 Paso 4

Muestra Datos
Histograma de Declinacin
Pozos Muestra % Declinacion
Pozo 1 17.30% 7 120.00%
Pozo 2 15.80% 6 100.00%

5
Pozo 3 17.00% 80.00%
4
Pozo 4 14.20% 60.00%
3
Pozo 5 10.70% Valor Mnimo
40.00%
2
Pozo 6 20.70% 20.00%
1
Pozo 7 19.50%
0 0.00%
Pozo 8 25.20% 10.70% 22.77% 34.83% y mayor...
Pozo 9 46.90% Valor Mximo Clase
Pozo 10 27.70%
Valor Ms Probable o Moda
Caracterizacin Probabilstica de Variables Muestras Medianas (5<n<16) Opcin 2
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%
P5%= PERCENTIL(K15 :K24,0.05)=0.12275
P95%= PERCENTIL(K15 :K24,0.95)=0.3826

Muestras Medianas n< 6 datos

Caracterizacin Probabilstica de Variables Muestras Pequeas (n<6)
Teorema de Bayes
En el caso de muestras muy pequeas es recomendable apoyarse en el Teorema de Bayes que es el mtodo
matemtico para combinar evidencia escasa o poco robusta con datos anlogos o con opinin de expertos y obtener
una informacin mejorada.
La informacin mejorada de la variable o parmetro de inters, se denominar distribucin posterior o posterior
knowledge y se denota f(q/X). Esta informacin se obtiene combinando:
Una distribucin previa del parmetro de inters se denota como g(q) y representa el conocimiento o
experiencia previa (prior knowledge); normalmente proveniente de Opinin de Expertos o de Datos Anlogos.
Una funcin de probabilidad llamada funcin de verosimilitud la cual representa la probabilidad de la
evidencia y se denota L(X/q); sta se construye a partir de la evidencia o datos propios.
La combinacin del conocimiento previo y la evidencia se hace mediante la ecuacin:
L( X )g ( )
f ( / X )
Teorema de Bayes
L( X )g ( )d

Caracterizacin Probabilstica de Variables Muestras Pequeas (n<6)
Teorema de Bayes
X Informacin Ms Robusta que la Evidencia

f
mejorada Ms Representativa que la Anloga

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
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
Muestra xito 0.00120

0.00100

X1 x
Trials (nPREVIA) 0.00080
6
la Probabilidad de xito o
0.00060
X2
pLOW 2 p pLOW pHIGT

0.00040
X3 x Fracasos (kPREVIA) 0.00020

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
3 Conocimiento Actualizado o Posterior

2 Evidencia (Experiencia Propia)
TEOREMA DE BAYES p
kEVIDENCIA
nEVIDENCIA
Muestra xito
ACTUALIZADA
X1
L( X )g ( )
x
X2 Trials (nEVIDENCIA) f ( / X )
1
.
Fracasos (kEVIDENCIA)

k EVIDENCIA nEVIDENCIA k EVIDENCIA 2
.
L( X )g ( )d p

nEVIDENCIA nEVIDENCIA 1
ACTUALIZADA 2
.
Xi x
0.00250
0.00200
La aplicacin del Teorema de Bayes diagramada en esta Probability

0.00150
0.00100
lmina es especial para mejorar las estimaciones sobre la 0.00050
Probabilidad de xito o Fracaso cuando se tienen pocos 0.00000
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
datos (Evidencia Escasa o Poco Robusta). Probabilidad de Fracaso

Prior Distribution Posterior Distribution
Caracterizacin Probabilstica de Muestras Pequeas (n<6) - Teorema de Bayes
CASO 1: Teorema de Bayes aplicado a la estimacin de la Probabilidad de xito o fracaso
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 en la Perforacin de campos nuevos (nuevos desarrollos).
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.
Hernando Gmez de la Vega

Incertidumbre - Clases
Del nivel de Incertidumbre Fundamental

conocimiento de o Incertidumbre Epistmica
Sistemas / Procesos
Es reducible a travs
de estudio o mediciones
Incertidumbre
De la variabilidad Incertidumbre Aleatoria

inherente de Variabilidad Estocstica
Sistemas / Procesos
No es reducible a travs
de estudio o mediciones
Incertidumbre - Fuentes
De los datos:
Calidad - Cantidad
Tecnologa de recoleccin
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
2.- Cunto petrleo hay en el yacimiento?

Volumtrico
Curvas de declinacin
VOI Balance de Materiales
Simulacin Matemtica
3.- Cunto de se petrleo es extrable? Incertidumbre Volumtrica
Reservas Probadas
RESERVAS Reservas Probables
Fr Reservas Posibles
Reservas por descubrir
4.- Cules son los mecanismos de produccin asociados a esa extraccin?
Expansin roca - fluido

Mecanismos
Gas en solucin
de
Produccin Capa de gas
Influjo de agua
Segregacin Gravitacional
5.- Qu tan exitosa puede ser la extraccin?
Tipo de Completacn
Incertidumbre de
Tcnicas de Tecnologa de Perforacin,
Produccin
Perforacin Tiempo de Perforacin
Incertidumbres Operacionales.
Flujo Natural, Gas Lift, BEC, BCP,

Mtodos de Bombeo Mecnico, Bombeo Hidrulico etc.
Produccin Confiabilidad del Mtodo de Produccin
6.- Durante cunto tiempo puede producir el
yacimiento? Declinacin Energtica
Declinacin Mecnica
Vida til
Yacimiento Frentes de Agua y Gas
Mtodos de Recuperacin Secundaria
Mtodos de Recuperacin Terciaria
7.- Como manejar en superficie la
produccin del Yacimiento? Incertidumbre de
Facilidades de Produccin Produccin
Infraestructura Ingeniera de Procesos
para Costo Mantenimiento y Energa
Producir
Disponibilidad y Confiabilidad
Flexibilidades Operacionales
8.- Qu tan rentable es el negocio?
Precio de Venta del Crudo

Costo de Produccin
Rentabilidad Tasa de Descuento Incertidumbre
Variables Macroeconmicas Financiera
Mercado
Administracin de la
Incertidumbre
La certidumbre absoluta es un privilegio de

mentes poco educadas y de fanticos
C.J Keyser
Como tomar decisiones en presencia de incertidumbre?
Alto Riesgo
Ignorarla y

Alto Impacto
Dependencia del Factor Suerte
Decidir

Ambiente Reactivo
Sub o Sobre Dimensionamiento
GAP DE OPCIONES
Tratar de Altos Costos en Sistemas de Informacin

Eliminarla para Conflicto por Calidad del Dato
Parlisis por Anlisis
Decidir
Considerarla en el
ADMINISTRACION DE LA
Anlisis, Cuantificarla INCERTIDUMBRE
y Decidir
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
Estimar Reducir
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
ETAPA 1 ETAPA 2 ETAPA 3

Cuantificacin de la Incertidumbre asociada Propagacin de la Incertidumbre Cuantificacin de la Incertidumbre asociada
a las Variables de Entrada o Caracterizacin asociada a cada Variable en el a la Variable de Salida o resultado, o
Probabilstica de las Variables de Entrada Modelo Matemtico Caracterizacin Probabilstica del
Resultado
Fijar el nmero de iteraciones requeridas: m
j=1
Generar aleatoriamente un valor de cada variable desde su respectiva distribucin de

probabilidades en su formato acumulado
1.000 Trials
F(X1) Forecast: Prueba
Cum ulative Chart 978 Displayed

1.000 Trials
F(X2)
Forecast: Prueba
Cum ulative Chart 978 Displayed 1.000 Trials

F(Xn)
Forecast: Prueba
Cum ulative Chart 978 Displayed

1,000 1000 1,000 1000 1,000 1000
,750 750 ,750 750 ,750 750
,500 500 ,500 500 ,500 500
Algoritmo
,250 250 ,250 250 ,250 250
,000 0 ,000 0 ,000 0
-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
Simulacin de X1j X2j Xnj
Montecarlo Sustitur en la funcin g, el conjunto de valores generados aleatoriamente y resolver en

forma deterministica para obtener un valor de Yj , para cada iteracin
Y j = g ( X 1 j , X 2 j , X 3 j ,.., X nj )
Registrar y almacenar el resultado Yj
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.
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
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
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
La probabilidad que el mantenimiento se complete en menos de 30

das es de 19.24%
El valor esperado del tiempo de mantenimiento es de 36.35 das.
Existe 80% de certeza que el mantenimiento se completar
entre 27.41 y 45.87 das
Ejemplo No 10 Tiempos de una Reparacin Mayor - Planteamiento
De la poblacin total de actividades en la secuencia de Perforacin de un Pozo, asumiremos que las actividades que
conformarn el programa para perforar un nuevo pozo son las listadas a continuacin:
1.- Transporte Equipo (TE)
2.- Preparar Area (PA)
3.- Pruebas Iniciales (PI)
4.- Perforar (P)
5.- Terminacin (T)
6.- Activacin (A)
En las tablas del Ejemplo No 10 Operaciones con Variables (Tiempo de Perforacin.xls) se muestran los datos
recopilados en bitcoras de perforacin de pozos similares estructuralmente, geolgicamente equivalentes y de
aproximadamente la misma profundidad, sobre la duracin en horas de las actividades de la secuencia de reparacin
previamente descrita
Basado en el listado de actividades y el set de datos en horas asociado a la duracin de cada una de ellas, se solicita
1.- Definir la Distribucin de Probabilidad que mejor describe a cada una de las actividades.
2.- Definir la Distribucin de Probabilidad que representa la variable Random "Tiempo Total de la Perforacin".
3.- Si usted es el responsable de suministrar a la alta Administracin el estimado de la variable Tiempo Total de la Perforacin
cual sera su respuesta?
Ver Ejemplo No 10 - Operacin con Variables (Tiempo Perforacin).xls
Ejemplo No 11 Estimacin de la Produccin Inicial de un Pozo
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:
0.00708 ANP K Pe Pwf

Q0
Rd
Bo ln Dao

Rpozo
Con base en la Lectura No 13 Simulacin de Montecarlo - Qo .pdf se solicita:
Estimar el Gasto Inicial de Produccin para un Pozo
Lectura No.11: Simulacin de Montecarlo Qo Ver Ejemplo No. 11 Simulacin de Montecarlo - Qo.xls
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
Pozo n-1 46 650 110 400 220 2

Pozo n 16 700 1400 416 230 -1
Informacin de Pozos Similares

Pwf
Gasto InicialQ0 (bpd)

Pe
Modelos de Afluencia
Permeabilidad
F( Q0 ) f( h , , k , P , Bo , , re , rw ,S )
Viscosidad
Dao
50.00 162.50 275.00 387.50 500.00
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
Costo de la Energa e Inflacin (Correlacin Positiva)

Precio del Producto y Volumen de Ventas (Correlacin Negativa)
Altura y Peso de los habitantes en USA (Correlacin Positiva)
Permeabilidad y Porosidad en algunos Yacimiento (Correlacin Positiva)
Variables Positivamente Variables Negativamente Variables No Correlacionadas o

Correlacionadas Correlacionadas Independientes
2500 1,5 2500
2000 1,4 2000
1500 1,3 1500

Y
Y
Y
1000 1,2 1000
500 1,1 500
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
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.
Dependencia Probabilstica y Factores de Correlacin Ejemplo No 12
Porosidad - Fraccin Sw - Fraccin
0.198 0.246 0.212 0.203

0.200 0.160 0.217 0.240
0.208 0.188 0.204 0.232
0.204 0.158 0.206 0.242
0.198 0.145 0.209 0.249
0.206 0.218 0.190 0.208
Para los datos de Porosidad y Saturacin de 0.177 0.200 0.232 0.200
Agua de la tabla anexa, determine el Factor de 0.207 0.189 0.206 0.225
0.159 0.152 0.244 0.242
Correlacin que caracteriza la dependencia 0.217 0.165 0.204 0.220
probabilstica 0.206 0.198 0.223 0.197
0.162 0.142 0.221 0.266
0.154 0.225 0.241 0.201
0.196 0.161 0.207 0.240
0.187 0.170 0.231 0.238
0.201 0.174 0.209 0.229
0.204 0.241 0.210 0.126
0.192 0.183 0.219 0.229
0.199 0.152 0.210 0.235
0.172 0.168 0.240 0.233
Lectura No 12 - Procedimiento para estimar Factor de Correlacin 0.170 0.187 0.211 0.222
entre Variables apoyados en Crystal Ball.pdf 0.170 0.178 0.239 0.230
Ver Ejemplo No 12 - Correlacin Porosidad - Saturacin 0.224 0.190 0.191 0.220
0.201 0.207
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
Mtodo del Sobre

Reglas de Oro para la Simulacin de Montecarlo
1. Apropiada seleccin de las distribuciones que caracterizan las variables de entrada y los parmetros del
modelo.
2. Adecuado truncamiento de las variables de entrada.
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.
Toda iteracin de un modelo de Anlisis de Riesgo debe corresponder a un escenario

fsicamente posible. David Vose
Estimacin del Impacto de
la Incertidumbre
Anlisis de Sensibilidad
Estimar Reducir
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
Centrar Atencin Variables Crticas
Tomar Decisiones Tcnicamente Factibles

Econmicamente Rentables
Estimacin del Impacto de la Incertidumbre Anlisis de Sensibilidad - Tipos
Dagramas de
Sensibilidad Tipo I Contribucin a la
Varianza
Sensibilidad de la Variable de Salida a
la Dispersion (Desviacin Estndar) de
las Variables de Entrada Dagramas de
Correlacin por
Ranking
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
0% 20% 40% 60% 80% 100%
xi = Contribucin de la Variable Random Xi a la Varianza de Y

Anlisis de Sensibilidad por Coeficiente de Correlacin por Ranking
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
Anlisis de Sensibilidad Diagrama de Tornado
Para su construccin la variacin de los datos se realiza

individualmente, es decir, se analiza la sensibilidad de la
salida debido a la variacin de una variable a la vez, TORNADO POES
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
Se determina un valor referencia de la variable de salida,

A (Acres) 411,2372 550,0000
evaluando la ecuacin que la relaciona con las variables
de entrada para los valores medios de estas (valor 0,3365 0,1157
Sw
referencial).
Porosidad 0,1983 0,2380
Partiendo de este valor referencia, se hace variar a la vez
una de las variables de entrada desde un valor mnimo Bo 1,0950 1,0550
Downside
que puede corresponder a su percentil 10 (P10) hasta un Upside
valor mximo que puede seleccionarse como su percentil POES MONTECARLO Input
90 (P90), y se determina qu tanto se incrementa o Variable

ANP (Pies)
Downside Upside Range Downside Upside Base Case
11,1652 37,4718 26,3066 26,5085 88,9662 80,9077
decrece el valor de la variable de salida de su valor A (Acres)

Sw
38,1425 51,0129 12,8703 411,2372 550,0000 367,4109
42,4786 31,8726 10,6060 0,1157 0,3365 0,2906
referencial. Este procedimiento se repite para cada una de Porosidad

Bo
30,6530 36,7792 6,1261
34,1889 32,9400 1,2489
0,1983
1,0550
0,2380
1,0950
0,2205
1,0584
las variables de entrada.
Anlisis de Sensibilidad Diagrama de Araa
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.
Curvas con pendientes

pronunciadas quieren decir que
tienen una alta influencia sobre
la variable de salida.
Curvas casi horizontales que

indican el poco efecto que
tienen sobre la variable de
salida
Anlisis de Sensibilidad Ejemplo No 15 Estimacin de Qo y Sensibilidad
Con base en la Lectura No 15 Simulacin de Montecarlo Qo y Anlisis de Sensibilidad se plantea un

ejemplo que se divide en 7 etapas
PARTE 1: Estimacin del Gasto Inicial de produccin del pozo Qo
PARTE 2: Realizar el Anlisis de Sensibilidad de la Cuota Inicial (Qo(bpd)) - Contribucin a la Varianza.
PARTE 3: Realizar el Anlisis de Sensibilidad de la Cuota Inicial (Qo(bpd)) - Correlacin por Ranking.
PARTE 4: Realizar el Anlisis de Sensibilidad de la Cuota Inicial (Qo(bpd)) Diagrama de Tornado.
PARTE 5: Realizar el Anlisis de Sensibilidad de la Cuota Inicial (Qo(bpd)) Grfico Araa.
Lectura No 15 - Simulacin de Montecarlo Qo y Ver Ejemplo No 15 Simulacin de Montecarlo Qo y Anlisis

Anlisis de Sensibilidad de Sensibilidad
Premisas para la
reduccin de la
Incertidumbre
Estimar Reducir
Administracin de la Incertidumbre Reduccin de la Incertidumbre
La cuantificacin de la incertidumbre conlleva directamente a la necesidad de reducir dichos niveles

para incrementar la posibilidad de tomar decisiones acertadas.
DEBE COMPRARSE LA INFORMACIN?

Reduccin del
nivel de Si la Reduccin del Riesgo asociada a la reduccin del Nivel de 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
Estimacin del Gasto Inicial de Produccin

% de Prdidas por Friccin
Binomial 1
p1=84%
Intento= 1 p1=probabilidad de 40.00 45.00 50.00 55.00
alcanzar el objetivo Mnimo Ms Probable M

40.00 50.00
.087
Distribucin Probabilstica de la Qoi(superficie)
Q(t)
Qoi(superficie)= 1233.63 bpd
.065
Binomial 2 % de Prdidas por Friccin
Probabilidad de xito y Fracaso de la Actividad

Qoi (superficie) Qoi (fondo) 1
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
-100.00 -43.75 12.50 68.75 125.00
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
Estimacion del Tiempo de la Actividad
Estimacin del Costo de la Actividad

Diagrama de Pareto- Tiempo con Riesgo
PEF-17 - Espera por lodo 6-1/2" 3.86
PEF-08 - Falla de equipo 8-1/2" 0.79
PEF-03 - Condiciones Climticas 6-1/2" 0.70
MTR-08 - Cambio de Programa 7-5/8" 0.66
Disponibilidad del Pozo

PEF-15 - Problemas en hoyo/Arrastres 8-
0.64
1/2"
AZA-03 - Fallo anclaje retenedor ST 0.58
ETR-05 - Falla de equipo 7-5/8" 0.52
ILP-08 - Espera por transporte 0.51
BHD-08 - Obstruccin en f ondo 0.43
CMT-07 - Cementacin def iciente 7-5/8" 0.43
ILP-04 - Condiciones Climticas 0.41
PEF-21 - Tapn de cemento 8-1/2" 0.37

RAP-15 - Contingencia por alerta de
0.34
huracn
RAP-12 - Tubera Atascada 0.29
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
Basado en Modelos de Afluencia : Implica la caracterizacin probabilstica de las variables

petrofsicas y propiedades de los fluidos que regulan el rgimen de afluencia yacimiento-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
Pozo n-1 46 650 110 400 220 2

Pozo n 16 700 1400 416 230 -1
Informacin de Pozos Similares

Pwf
Gasto InicialQ0 (bpd)

Pe
Modelos de Afluencia
Permeabilidad
F( Q0 ) f( h , , k , P , Bo , , re , rw ,S )
Viscosidad
Dao
50.00 162.50 275.00 387.50 500.00
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
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
Pwf (punto de prueba):

h
1,056.00 2,204.00 30.00 35.05 40.10 45.15 50.00

Probabilidad de xito y Fracaso de la actividad

Binomial 1
p1=84%

40.00 50.00
.087
Q(t)
.065

Probabilidad
.043
100
Qo
p2.p3=13.76%
Intento= 1 .022
Q1
Q Lreal Q Kplan
.084
%Desv2
142.51 811.75 1480.99 2150.23 2819.47
.063
Q2
Probabilidad
) x( e Fd .t )
Qt ( Q 0Q(t)=Q
.021
-Fd.t
oe
p2=probabilidad de
.000
-100.00 -43.75 12.50 68.75 125.00
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


0.64
1/2"

0.34
huracn
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
p4=14%
-100%
2 0.0 0 2 2.5 0 2 5.0 0
Pronostico de Produccin

Binomial 1
p1=84%

40.00 50.00
.087
Q(t)
.065

Probabilidad
.043
100
Qo
p2.p3=13.76%
Intento= 1 .022
Q1
Q Lreal Q Kplan
.084
%Desv2
142.51 811.75 1480.99 2150.23 2819.47
.063
Q2
Probabilidad
) x( e Fd .t )
Qt ( Q 0Q(t)=Q
.021
-Fd.t
oe
p2=probabilidad de
.000
-100.00 -43.75 12.50 68.75 125.00
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


0.64
1/2"

0.34
huracn
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5
Tiempo (Dias)
Evaluacin Econmica
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
Qo f ( h,K , ,Bo,Ps,Pwf ,S, rw , re, Z ,T )
Q( t ) Qo e Dt
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
T1: Periodo de D1 T2: Periodo de D2
Cotejo de Pronsticos de Produccin con Pozos Nuevos
Estimacin Probabilsta del Pronstico de

Perfil de Produccin de Gas
qsc(MMPCD))
Produccin (Q(t)) Ejemplo Aplicacin 2.00

1.80
1.60
1.40 Pozo R2M - 14022003
Un modelo de pronstico debe reproducir el
MMPCD
1.20 P5
comportamiento histrico (pasado) del la produccin, y 1.00

0.80
P50
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
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 1: Estimacin del Gasto Inicial de produccin del pozo Qo

1.1.- Caracterizar probabilsticamente las variables de entrada al modelo
1.2.- Propagar mediante la Simulacin de Montecarlo la incertidumbre de ANP, Pe, Pwf, K, , S y Bo en el modelo
matemtico de Darcy, para encontrar la distribucin de probabilidades de la Cuota o Produccin Inicial del pozo.
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.
Consultar Lectura No 19 Pozo Probabilista

Pronstico de Produccin Ver Ejemplo No 19 Pozo Probabilista Pronstico de Produccin .xls
Ejemplo No 20
En este ejemplo, se requiere estimar el Caudal o Produccin Inicial de un Pozo y su correspondiente Perfil o
Pronstico Estocstico de Produccin apoyndose en el software Crystal Ball.
PARTE 1: Estimacin del Caudal o Produccin Inicial del pozo Qo
PARTE 2: Determinacin del perfil de produccin del pozo a lo largo de su vida til esperada (8 aos), indicando
los percentiles 10, 50 y 90. Tabla 1.- Datos de Pws, Pwf, Pwf/Pws y Qomax
Pws Pwf Qo (max) Pwf/Pws
Pozo Plataforma
(Kg/cm2) (Kg/cm2) (bpd) (Kg/cm 2 )
R2M-1 R2M 97.83 94.50 95169.70 0.97
Pwf Pwf
2
R2M-2 R2M 105.98 100.98 64300.00 0.95
Qo QMAX 1 0.2 * 0.8 * R2M-3 R2M 97.98 91.79 78540.00 0.94
Pws Pws R2M-4 R2M 94.63 92.95 181886.17 0.98 Tabla 2. Datos de declinacin
R2M-5 R2M 93.77 92.04 243233.89 0.98
R2M-6 R2M 104.63 102.75 184479.87 0.98 Vecinos % Declinacin
"Donde: R2M-7
R2M-8
R2M
R2M
92.64
93.73
90.28
91.11
185954.82
68398.54
0.97
0.97
Pozo 1 17.30%
Qo: Tasa Inicial de Aceite (bpd) R2M-9 R2M 99.69 96.80 96169.71 0.97
Pozo 2 15.80%
Pozo 3 17.00%
Qmax: Tasa mxima de produccin de aceite (bpd) R2M-10 R2M 94.48 91.51 113066.94 0.97
Pozo 4 14.20%
R2M-11 R2M 112.22 108.83 166996.95 0.97
Pwf: presin de fondo fluyente (Kg/cm2) R2M-12 R2M 111.19 94.56 33262.06 0.85 Pozo 5 10.70%
Pws: presin esttica de yacimiento (Kg/cm2)" R2M-13 R2M 100.21 84.43 41661.19 0.84 Pozo 6 20.70%
R2M-14 R2M 102.35 86.44 41779.39 0.84 Pozo 7 19.50%
R2M-15 R2M 110.30 99.30 73320.00 0.90 Pozo 8 25.20%
R2M-16 R2M 98.30 91.80 75943.00 0.93 Pozo 9 46.90%
R2M-17 R2M 102.10 97.40 93201.00 0.95 Pozo 10 27.70%
R2M-18 R2M 93.40 90.60 120101.00 0.97
R2M-19 R2M 94.60 85.70 46372.00 0.91
Consultar Lectura No 19 Pozo Probabilista R2M-20 R2M 103.9 93.7 63292.00 0.90
Ver Ejemplo No 20 Pozo Probabilista Pronstico de Produccin .xls
Pwf Pwf
2
Qo QMAX 1 0.2 * 0.8 *

Pws Pws
Q(t) Q0 eD.t
Tiempos y Costos de la Actividad

Binomial 1
p1=84%

40.00 50.00
.087
Q(t)
.065

Probabilidad
.043
100
Qo
p2.p3=13.76%
Intento= 1 .022
Q1
Q Lreal Q Kplan
.084
%Desv2
142.51 811.75 1480.99 2150.23 2819.47
.063
Q2
Probabilidad
) x( e Fd .t )
Qt ( Q 0Q(t)=Q
.021
-Fd.t
oe
p2=probabilidad de
.000
-100.00 -43.75 12.50 68.75 125.00
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


0.64
1/2"

0.34
huracn
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
El plan de perforacin o reparacin de un pozo difiere de la ejecucin real debido a eventos

indeseables que inducen costos adicionales reflejados en das improductivos que hacen perder la
continuidad del proceso.
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.
Pr(treal<tobj):44% Modelo Base

n
TT TACTi
i 1
TACTi: Tiempo de la actividad i.

m: nmero de riesgos asociados a la actividad i.
63.52 102.21 140.89 179.57 218.25
tLi: Tiempo limpio (sin riesgo) de la actividad i.
pj: Probabilidad de ocurrencia del riesgo Rj.
Tmedia:140 das tRj: Tiempo asociado al riesgo j.
n: nmero de actividades de un plan de perforacin/reparacin.
TObjetivo:150 das TT: Tiempo Total de Perforacin/Rehabilitacin.
Catlogo de Perforacin
ABT Abandono Temporal
Base de datos (Histrica) . Codificacin de Actividades y Riesgos
ACE Acondicionar Equipo
ACP Acondicionar pozo
APB Alinear Pozo a Batera

XXX Tiempo Limpio o productivo de la actividad
CCL Corrida de Complemento de Liner
XXX-01 - Riesgo 01 de la Actividad XXX
CMC Cementar Complemento de Liner
CMT Cementar Tubera de Revestimiento PEF-01 Espera por transporte
CON Cortar Ncleo PEF-02 Espera por compaa de servicio
DES Deslizar PEF-03 Condiciones Climticas
DIS Disparar Intervalo PEF-04 Espera por Materiales
EST Estimulacin PEF-05 Falla de Barrena Catlogo Perforacin

ETR Escarear tubera y rimar boca de liner PEF-06 Falla MWD/LWD/Motor de Fondo 260
PEF-07 Falla tubera
EVA Evaluacin de Formacin
31
IEC Instalar equipo de Control PEF-08 Falla de equipo
PEF-09 Falla de compaa de servicio

Catlogo Reparacin
IER Instalacin de sub estructura recuperadora
IES Instalacin de Estructura PEF-10 Reparando Boca de Liner 337

ILP Inducir y Limpiar pozo PEF-11 Requerimiento adicional/Cambio de programa 42
MAP Meter Aparejo de Produccin PEF-12 Atascamiento de tubera
MEP Mantenimiento del Equipo Programado PEF-13 Obstruccin en fondo
PEF-14 Taponamiento de tubera

MTR Meter Tubera de Revestimiento / Liner
PEF-15 Pozo Fluyendo
XXX - Actividad
PBL Prueba a boca de Liner
PEF Perforar PEF-16 Espera por personal XXX-01 - Riesgos

PTR Prueba de tubera de Revestimiento PEF-17 Problemas en hoyo/Arrastres
RBA Retirar BOP e Instalar Medio rbol PEF-18 Perdida de Circulacin
RCC Reconocer cima de cemento PEF-19 Presencia de H2S
REG Registros PEF-20 Prestando apoyo a otra plataforma
RGI Registro giroscpico . .

. .
RTR Registro en Tubera de Revestimiento . .
TIN Toma de Informacin PEF-34 Espera por tubera de perforacin

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
MEP Mantenimiento Programado de Equipo + p2 x

RAP Recuperar aparejo de produccin Trisk RAP-05
63.52 102.21 140.89 179.57 218.25
RDV Reemplazar vlvula de BN
RRE Recuperar restos de empacador p3 x

m
T ACTi t Li p j t R j
TIN Toma de Informacin - Terminacin Trisk RAP-12
TOI Toma de Informacin

j 1
p4 x
Tratamiento de la Actividad Perforar
En el anlisis de la actividad perforar se
decidi normalizar los metros perforados
dada la amplitud del rango de metros TTOTAL t efectivo t compl t riesgos
profundizados en el histrico de pozos :
ma
t efectivo ROP (mts/hr)
ROP .082
ma= metros a perforar planificados .062
.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
Bases de Datos de Perforacin de PEMEX

Base de datos de tiempos y desviaciones a partir de los registros y
tPERFORACION
bitacoras de las actividades de perforacin y reparacin mayor
j 1
Experiencias Internacionales
ACE Acondicionar Equipo
ACP Acondicionar Pozo

A1
0,15 0,15 0,15 0,15 0,15
APB Alinear Pozo a Batera
AZA Aislar Zona Abierta
COP Control de Pozo

tmedia = 140.31
A2 n tobjetivo = 150
TT T ACTi
DAB Desmantelar Arbol e Instalar BOPS
+
Pr tperf > tobjetivo= 44 %

+
0,76 0,78 0,80 0,82 0,85
.
DIS Disparar
EST Estimular i 1
0% 10% 20% 30% 40% 50% 60% 70%
ILP Inducir y Limpiar Pozo

PEF 64.86%
MAP Meter Aparejo de Produccin

A9 ILP 16.36%
MEP Mantenimiento Programado de Equipo
18,50 19,25 20,00 20,75 21,50
REG 8.40%
RAP Recuperar aparejo de produccin
RDV Reemplazar vlvula de BN . EST 4.67%
RRE Recuperar restos de empacador MTR 4.62%
TIN Toma de Informacin - Terminacin

RGI
TOI Toma de Informacin

An 0.88%
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
ILP 16.36% REG-07 , 65 PEF-23 , 357
REG 8.40% ILP-07 , 34
EST 4.67% ILP-08 , 63
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
3 COP COP - Control de Pozo

4 DAB DAB - Desmantelar rbol e Instalar BOPS VALVULA DE
TORMENTA DE 7"
135.32 MD
5 ICR ICR - Instalar cabezal rotatorio

-
6 RAP RAP - Recuperar aparejo de produccin T.R. 16" 800.00 MD
7 PEE PEE - Pescar Empacador

8 MOE MOE - Moler empacador
RESISTENCIA ENCONTRADA
A 1200.54 M EN TR. 11 7/8",
PAS MOLINO DE 10 1/4", MD
PERO NO DE 10 1/2". .60
91
SE SUBI B.L. DE 9 5/8" EN 10
9 RRE RRE - Recuperar restos del empacador

VEZ DE PROG. A 1750 M
10 PEF6-1/2" PEF Perforar 6-1/2" 200

/8"
. 95 MD
B.L .51
59
17
11 ETR7-5/8" ETR - Escarear tubera y Rimar boca de liner 7-5/8" 5

DE "
1/2
", 18
44
.00
MD
.00
MD
RIL 3/4 01
12 RTR RTR - Registros en tubera de revestimiento 7-5/8"

ND IO 20 MD
MA IFIC .44
OR 94
21
MD
.00
RGI RGI - Registro giroscpico

" 78
13
7/8 22
11
TR /8"
R 95
DO T E
CA N 5/8
"
P A A NE .7
EM RM
MAP MAP - Meter aparejo de produccin

B.L
14
PE
/8"
95
TR D
9M
15 RBA RBA - Retirar BOP's e Instalar Arbol de Produccin

62
-2
75
25
16 ILP ILP - Inducir y Limpiar pozo P.I.

26
35
.00
MD
26
64
MV
.00
MD
APB APB - Alinear Pozo a Batera

66
17
25
D
/8" 6 5M
75 . 26
TR P.T
18 EST EST Estimulacin

19 TIN TIN - Toma de Informacin - Terminacin Ver Ejemplo No. 21 Modelo Probabilista Tiempos
Reparacin Mayor.xls
A partir de los datos estadsticos mostrados en el archivo Ejercicio 13.xls, determinar:
1.- Distribucin Probabilstica del Tiempo Productivo. 3.- Diagrama de Pareto de Tiempos por Actividad
2.- Distribucin Probabilstica del Tiempo Total con Riesgo 4.- Diagrama de Pareto de Desviaciones
Evaluacin Econmica

Binomial 1
p1=84%

40.00 50.00
.087
Q(t)
.065

Probabilidad
.043
100
Qo
p2.p3=13.76%
Intento= 1 .022
Q1
Q Lreal Q Kplan
.084
%Desv2
142.51 811.75 1480.99 2150.23 2819.47
.063
Q2
Probabilidad
) x( e Fd .t )
Qt ( Q 0Q(t)=Q
.021
-Fd.t
oe
p2=probabilidad de
.000
-100.00 -43.75 12.50 68.75 125.00
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


0.64
1/2"

0.34
huracn
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
Horizonte t=n aos

Riesgo (Ri) econmico
(egresos potenciales por fallas)
Capex
VPNE
Factor de Rentabilidad VPN
80000000.00 90000000.00 100000000.00 110000000.00 120000000.00 130000000.00
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
87%
MOV (horas)
5.49
Pr (VPN<0) MOV-01 (horas)
22.70
Factor de Riesgo MOV-06 (horas)
Tiempo Productivo (Das)
50.0 55.0 60.0 65.0 70.0 75.0
M989 112.60 475.70
M291 56.78 261.60
M389 46.52 208.03
M670 27.01 169.04
M348 24.74 144.14
M380 29.25 143.85

71% 78% 85% 92% 99%
M340 65.11 150.78
M249 35.67 110.07
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
M748 6.48 38.77
TOI (horas) 5.55 35.92

Ejemplo No 22
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:
1.- Distribucin Probabilstica del VPN

1.1.- Media del VPN (Factor de Rentabilidad)
1.2.- Probabilidad de que el VPN sea menor que cero (Factor de Riesgo)
1.3.- Anlisis de Sensibilidad del VPN
Modelo Evaluacin Financiera Probabilista Proyectos de Perforacin y Reparacin
Matriz de Jerarquizacin de Opciones: Rentabilidad - Riesgo
Una vez que una cartera de proyectos ha sido evaluada, tendremos una serie de distribuciones de la variable VPN para cada
proyecto. Para lograr jerarquizacin se estudiar la conocida Matriz de Jerarquizacin de Proyectos
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

Curso Adr (Vcdse - r2m)

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Curso Adr (Vcdse - r2m)

Încărcat de

Drepturi de autor:

Formate disponibile

Anlisis de Riesgo e

Probabilidad y Estadstica Descriptiva

Tratamiento de Muestras con menos de 15 Datos

Administracin de la Incertidumbre como principal elemento en la mitigacin de Riesgo

Modelo Probabilstico de Pozos

Es preferible estar aproximadamente correcto

La Incertidumbre es una medida de la inseguridad o grado de desconocimiento acerca de

Sin incertidumbre, no hay riesgo

El anlisis de riesgo es una ciencia de

Producto: Calificacin del Riesgo (Alto, Medio, Bajo)

Escuela Avanzada: Anlisis Cuantitativo de

Virtud: Reduccin de la Subjetividad y Trazabilidad del Anlisis

En el mundo real, al final, tenemos la

Las decisiones que se toman en el

Exigentes estndares ambientales

La Probabilidad y la Estadstica constituyen los pilares matemticos fundamentales para tomar

IF YOU TORTURE THE DATA LONG ENOUGH; IT WILL

Enfoque Bayesiano Enfoque Subjetivo

Basada en grado de conocimiento

Muestra: es un subconjunto, extrado de la poblacin (mediante tcnicas de muestreo), cuyo estudio

Individuo: es cada uno de los elementos que forman la poblacin o la muestra.

El anlisis de estos 100 pozos nos deja las 15

Perforacin # Localizacin xito Fracaso

Curva de Estadsticas Variable Aleatoria

(X=xi): representa el evento "la variable aleatoria X toma el

p(X=xi): representa la probabilidad que la variable aleatoria .000

X tome el valor xi. 2

f(x) Histogramas de Frecuencias f(x) Distribucin Parametrica

Histograma Acumulado Directo

Histograma Acumulado Inverso

Promedio o Media Muestral Desviacin Estndar Muestral

Distribucin de Probabilidad Distribucin de Probabilidad

Distribucin de frecuencias o densidad de probabilidad f(X)

PROBABILIDAD DE OBSERVAR EL VALOR xi

Distribucin de probabilidad acumulada directa F(X)

Pr( x xi ) F ( xi ) f ( x )dx Area _ sombreada

Distribucin de probabilidad acumulada inversa C(X)

0 PROBABILIDAD DE OBSERVAR VALORES xi

XM =MODA (valor de la variable con

Una distribucin se caracteriza por:

Media Moda Mediana

F(x) Si es percentil de la distribucin de

El intervalo de confianza es aquel en el cual se puede

Los valores de Xa y Xb representan los lmites de

Distribucin Gamma Distribucin Geomtrica

Lectura Complementaria No 2 - Extracto Tomo I. Disciplinas (pg 67 92)

Caracterizacin probabilstica de la muestra o

Estadstica de la Muestra Estadstica de la Poblacin

f(x) Histogramas de Frecuencias f(x) Distribucin Parametrica

Variables Relacionadas VariablesRelacionadas

Utilizando el software Crystall Ball, Costos de Perforacin (MMUSD)

Caracterizacin Probabilstica de Variables a

mnimo (Xmin), un valor mas probable (Xmprob) y un mximo 0,2

una variable relacionada con tiempo.

Caso 2: Distribucin LogNormal: Se utiliza para representar

La opinin del experto viene expresada en dos valores; un 0.00300

mnimo (Xmin) y un mximo (Xmax). El experto expresa que debe 0.00250

La variable que se est representando es una variable fsica o

La opinin del experto viene expresada en tres valores; un

Caso 4: Distribucin Uniforme: Se utiliza para representar f(x)

La opinin del experto viene expresada en dos valores; un

El experto expresa que no hay un valor ms probable, es decir,

Mnimo Mas Probable Mximo