Análisis R&I en Proyectos FEL-VCD PDF

Taller de Anlisis de Riesgo y Administracin de la
Incertidumbre en el Marco de la Metodologa FEL VCD
Porque
Porque una de las
formas ms importantes
de agregar valor, es
evitar que se destruya
Medardo Yez
PERFIL DE PRODUCCION DEL YACIMIENTO

BANDA
14,00
AREA 2
90%
AREA1
10 50
10,50
AREA 3
AREA 5
7,00
50%
3,50
0%
0,00
Contenido
Conceptos Bsicos: Incertidumbre, Riesgo y Anlisis de Riesgo, Decisin, Estadstica

Breve Introduccin a la Metodologa FEL-VCD
Incertidumbre en la Industria del Gas y del Petrleo
Fundamentos de Probabilidad y Estadstica Descriptiva
P b bilid d
Probabilidad
Muestra y Poblacin
o Muestra Representativa
Influencia del Tamao de la Muestra en el clculo de la probabilidad p
Variables Aleatorias - Parte I

Estadstica de la Muestra
o Histogramas
o Estadsticas de la muestra (Promedio, Desviacin Estndar, Percentiles)
Influencia del Tamao de la Muestra en el clculo de las estadsticas - Promedio
Contenido
Variables Aleatorias Parte II

E t d ti de
Estadstica
d la
l Poblacin
P bl i
Distribuciones de Probabilidad
o Caracterizacin Probabilstica de Variables Aleatorias
Muestras Grandes
Opinin de Expertos
Muestras Pequeas
Operaciones con Variables Aleatorias

o Simulacin de Montecarlo
o Anlisis de Sensibilidad
Sensibilidad Tipo I: Contribucin a la Varianza y Correlacin por Ranking
Sensibilidad Tipo II: Grfico de Tornado y Grfico de Araa
o Correlacin o Dependencia Probabilista
Fundamentos de Anlisis Financiero

Indicadores Financieros Probabilistas: Valor Presente Neto y Valor Anual Equivalente
Contenido
Anlisis de Riesgo en el Marco de la Metodologa FEL - VCD
Modelo Integrado del Activo (MIAc) Parte I
Sub Modelo Probabilista de Volmenes Originales y Reservas
o Estimacin Probabilista del VOI y Reservas
Herramienta Computarizada para la Estimacin Probabilista de Volmenes y Reservas - Casos de

Aplicacin
Modelo Integrado del Activo (MIAc) Parte II

Sub Modelo Probabilista de Pseudo Pozos o Pozos Tipo
o Estimacin Probabilista del Gasto Inicial de Produccin
o Estimacin Probabilista del Perfil o Pronstico de Produccin
o Estimacin Probabilista del xito o Fracaso de la Actividad de Perforacin y Reparacin
o Estimacin Probabilista de Tiempos de Perforacin y Reparacin
o Estimacin Probabilista de Costos de Perforacin y Reparacin
o Estimacin Probabilista de Evaluacin Econmica de Proyectos de Perforacin y
Reparacin
p
o Evaluacin Econmica y Jerarquizacin de Proyectos de Perforacin y Reparacin de
Pozos
Contenido
Modelo Integrado del Activo (MIAc) Parte III

S b Modelo
Sub
M d l P
Probabilista
b bili t d
de IInstalaciones
t l i
o Introduccin al Anlisis RAMP
Caso de Estudio Anlisis RAM Plataforma de Produccin
Modelo Integrado del Activo (MIAc) Parte IV

Sub Modelo Probabilista del Perfil de Produccin de un Escenario de Explotacin
o Basado en los Sub Modelos de Pozos Tipo y Movimiento de Equipos
Caso de Estudio Simulacin SSOIP
o Basado en Simulacin Numrica de Yacimientos (Modelo Dinmico)
Incertidumbre del Pronstico Generado por Simulacin
Caso de Estudio
Modelo Integrado del Activo (MIAc) Parte V

q
de Escenarios de
Modelo Probabilista de Evaluacin Econmica y Jerarquizacin
Explotacin
Contenido
Da 1
Breve Introduccin a la Metodologa FEL
FEL-VCD
VCD
Probabilidad
Muestra y Poblacin
p

o Histogramas
I fl
Influencia
i d
dell Tamao
T
de
d la
l Muestra
M
t en ell clculo
l l de
d las
l estadsticas
t d ti
- Promedio
P
di
Incertidumbre
Es preferible estar aproximadamente correcto
que exactamente
t
t equivocado
i
d
Incertidumbre
Incertidumbre
CONCEPTOS BASICOS
BASICOS
CONCEPTOS
5
66
8
7
Incertidumbre
Certidumbre
Conceptos Bsicos
Incertidumbre
El nivel de conocimiento acerca de un proceso especfico puede variar desde el extremo de no saber
absolutamente
abso uta e te nada
ada acerca
ace ca del
de mismo
s o (ignorancia
( g o a c a total),
tota ), hasta
asta el
e extremo
e t e o de llegar
ega a entender
e te de y modelar
ode a
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
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
Conceptos Bsicos
Fundamentos Tericos
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
M
i
ell riesgo
i
asociado
i d a una decisin
d i i o la
l ocurrencia
i de
d una falla
f ll o evento viene
i
d d por la
dado
l
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 y Administracin de la Incertidumbre
Anlisis de Riesgo
El anlisis de riesgo busca contestar 5 preguntas a travs de 5 fases distintas:
Qu puede
p
salir mal?
Identificacin del Riesgo
Qu tan malo puede ser?
Modelado de Consecuencias
Con qu frecuencia sucede?
Estimacin de Frecuencia
Cul puede ser el resultado?
Evaluacin de Riesgo
Qu se puede hacer?
Gerencia del Riesgo
Anlisis de Riesgo
El anlisis de riesgo es una ciencia de

toma de decisiones en ambientes con
incertidumbre
Conceptos Bsicos
Anlisis de Riesgo
El Anlisis de Riesgo,
g , algunas
g
veces llamado Anlisis p
para la Toma de Decisiones,, es la
disciplina para ayudar a los tomadores de decisiones a seleccionar opciones ptimas en
ambientes de incertidumbre
John R. Schuyler
Anlisis de naturaleza probabilstica que permite
soportar una decisin con base en la cuantificacin y
ponderacin de la probabilidad de xito con sus
beneficios y la probabilidad de fracaso con sus
consecuencias.
El propsito fundamental es soportar el proceso de
toma de decisiones con las siguientes caractersticas:
Hechos, experiencias y datos duros.
Toman en cuenta la incertidumbre
incertidumbre de las variables consideradas en el anlisis,
anlisis y las
consecuencias de las decisiones tomadas.
Son verificables y por lo tanto perfectibles.
Conceptos Bsicos
reas del Anlisis de Riesgo

Estima las probabilidades de ocurrencias de los
eventos indeseados y sus correspondientes
consecuencias.
Area 1:
Dimensionamiento
del Riesgo
Area 2:
Area 3:
Administracin
del Riesgo
Comunicacin
C
i
i
del Riesgo
Evala la tolerabilidad a los niveles de riesgo

previamente dimensionados bajo un contexto
social, humano, poltico y econmico.
Establece mecanismos para explicar y

difundir las estimaciones y decisiones
tomadas.
Conceptos Bsicos
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:
Dimensionamiento
del Riesgo
Virtud:
Vi t d Velocidad
V l id d y Facilidad
F ilid d del
d l Anlisis
A li i
Debilidad: Subjetividad y Inauditabilidad del Anlisis
Escuela Avanzada: Anlisis Cuantitativo de

Riesgo Quantitative Risk Analysis (QRA)
Area 2:
Area 3:
Administracin
del Riesgo
Comunicacin
del Riesgo
Herramienta Base de Anlisis: Caracterizacin Probabilstica

de la Informacin de Variables y Modelaje Estocstico de
Procesos (Probabilidad y Estadstica Descriptiva)
Producto: Cuantificacin del Riesgo.
Virtud: Reduccin de la Subjetividad y Trazabilidad del Anlisis
Debilidad: Complejidad
Conceptos Bsicos
Anlisis de Riesgo por ndices Subjetivos de Riesgo

Se fundamenta en la calificacin de los impactos y la probabilidad de ocurrencia de un evento.
CONS
SECUENCIA / IMP
PACTO
Grave
Sustancial
ALTO
Ri
Riesgo
I
Inaceptable
t bl
MEDIO
Se requiere evalucin, gerencia y

monitoreo del riesgo
BAJO
Riesgo Aceptable
Marginal
Insignificante
Remoto
Bajo
Medio
PROBABILIDAD / FRECUENCIA
Alto
Conceptos Bsicos
Anlisis Cuantitativo de Riesgo Quantitative Risk Analysis (QRA)
Se basa en la estructuracin de modelos matemticos

que operen
q
p
con variables aleatorias,, p
para lo cual es
fundamental
una
apropiada
caracterizacin
probabilstica de las variables que intervienen en dicho
modelo, esto permite la propagacin de la incertidumbre
de las variables de entrada a travs del modelo y
obtener una variable de salida que permita cuantificar el
efecto de la incertidumbre de dichas variables en
trminos de riesgo en el resultado final.
Resultados Probabilsticos por Pozo
El Anlisis Cuantitativo de Riesgo, aplicado a la industria del petrleo , se ha convertido en una

herramienta fundamental para la optimizacin de recursos y aumento de la rentabilidad de l negocio.
Decisin
En el mundo real, al final, tenemos la

irrenunciable obligacin de decidir
Conceptos Bsicos
Decisin
Decisin es un proceso ms que el simple hecho de elegir entre alternativas, es un proceso
que incluye
q
y identificar un p
problema, elegir
g 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).
PASADO
DATOS
PRESENTE
DECISION
ACCION
( Ai )
FUTURO
RESULTADOS
( Xij )
Las decisiones que se toman en el

presente, se alimentan de los datos
del pasado y generan acciones
(elegida entre 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.
Estadstica
Marco matemtico para predecir el futuro

modelando la experiencia.
experiencia
Conceptos Bsicos
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

ENOUGH; IT WILL
CONFESS
Annimo
Contenido
Da 1
B
Breve
Introduccin
I t d
i a la
l M
Metodologa
t d l FEL
FEL-VCD
VCD
Probabilidad
Muestra y Poblacin

E t d ti de
Estadstica
d la
l Muestra
M
t
o Histogramas
Introduccin a la Metodologa FEL VCD
Industria del Gas y del Petrleo: Caracterizacin de Yacimientos, Mtodos de Produccin,

Perforacin y Rehabilitacin, Diseo, Operacin y Mantenimiento de Instalaciones Petroleras y
Mercadeo.
d
Exploracin
Produccin
(Recursos prospectivos)
(Reservas)
Evaluacin
de potencial
(EP)
Incorporaci
n de reservas
(IR)
Caract.
inicial y
delimitacin
(DL)
Desarrollo
Explotacin
Comercializacin
y transporte
Abandono
Pozos de desarrollo
Inversiones
y gastos
Estudios
Ssmica
2-D
Pozos
exploratorios y
delimitadores
3-D
Mayor oportunidad
de identificacin del valor
Riesgo
Optimizaciones y
nuevas oportunidades
Infraestructura
Instalaciones
Costos de
mantenimiento y
produccin
Menor oportunidad
Costo de
Abandono
Nueva oportunidad

Algunos Elementos Diferenciadores
Curva de Oportunidades de Reduccin de

Costos / Programacin en un Proyecto
Aprobacin Otorgamiento
Proyecto
Buena--Pro
Buena
+
O
P
O
R
T
U
N
I
D
A
D
+
Visualizacin Conceptuali
zacin
Definicin
Contratacin
DEFINICIN Y DESARROLLO
CONTRACONTRATACIN
Materializac. PEP
hasta completacin
mecnica
EJECUCIN
Operacin, anlisis
cumplimiento
expectativas de
negocio
OPERACIN
D
E
S
E
M
B
O
L
S
O
S

Influencia de las Fases de un Proyecto en el Costo de Ciclo de Vida
Operacin y Mante
enimiento
Con
nstruccin
n
65 %
Fases de Con
nceptualiz
zacin
y de D
Definicin
85 %
Fase de
e
Visualizac
V
cin
% Costo
o de Ciclo
o de Vida
a
Co
omprome
etido
100 %
95 %

Etapa
Visualizacin
Objetivo
Estimados
de Costos
Llaves
Tcnicas
Dictamen
D
Conceptualizacin
Definicin
Matriz de oportunidades y/o categoras

de decisiones y opciones para las
diferentes reas en subsuelo, pozos,
instalaciones y procesos que servirn
de base para la construccin de los
escenarios de explotacin que pueden
generar valor sobre el Caso Base,
identificacin de riesgos mayores,
identificacin de tecnologas y/o
pprocesos nuevos ppor considerar
Modelado
detallado
de
las
incertidumbres tcnicas y los riesgos
asociados, evaluacin de los
escenarios e integracin de resultados
con riesgos/complejidad,
riesgos/complejidad seleccin del
escenario ptimo para FEL-D
(Definicin) e ingeniera conceptual.
Continuacin del modelado detallado

de las incertidumbres tcnicas y
los riesgos asociados para el
escenario seleccionado, definicin de
costos Clase III,
III ingeniera bsica,
bsica los
detalles del plan de explotacin para
su integracin en la cartera de
proyectos y el plan operacional.
Clase V
-35% - 50%
Clase IV
-25% - 35%
Clase III
-15% - 20%
Identificamos todas las posibilidades?

Identificamos todos los riesgos
principales?
Es negocio esta oportunidad o no?
Presentamos las bases para los
escenarios que pasan a FEL-C?
Identificamos todas las incertidumbres

tcnicas?
Modelamos todas las incertidumbres o
presentamos un plan para su
cuantificacin?
Presentamos las bases para la seleccin
del escenario ptimo basado en el
desempeo del escenario, su complejidad
y riesgos asociados?
Pasa a la siguiente Fase (con o sin condicionantes).

Requiere ajustes para poder continuar.
No pasa (regresa a la cartera en espera con recomendaciones).
y un p
Hay
plan de administracin de cada
riesgo y un plan para medir su impacto en
los resultados de la explotacin de la
oportunidad?
La ingeniera bsica tiene todos los
componentes listos de subsuelo, pozos,
superficie, Seguridad Industrial
P t i A
Proteccin
Ambiental
bi t l y los
l recursos
financieros?
El plan de operacin maestro es factible
ecolgica, social, tcnica y
econmicamente?


Entre los elementos diferenciadores de la metodologa FEL, vale la pena destacar dos
particularmente importantes:
La metodologa obliga a la identificacin, evaluacin y jerarquizacin de mltiples
posibilidades de desarrollo. Este proceso se soporta en su etapa inicial en la llamada
M i de
Matriz
d Visualizacin
Vi
li
i de
d Opciones.
O i
El proceso FEL es una metodologa de Administracin de Proyectos que sustenta sus

resultados en Anlisis Cuantitativo de Riesgo (Quantitative Risk Analysis - QRA), lo que
implica la rigurosa caracterizacin probabilista de las variables,
variables as como la cuantificacin y
propagacin de las incertidumbres que se traducen en riesgos para el proyecto; tales como
las variables fsicas que gobiernan el yacimiento, las variables asociadas a la extraccin,
transporte y almacenamiento de la produccin y las financieras que regulan la rentabilidad
d l negocio.
del
i
El dimensionamiento del riesgo y la incertidumbre en la Metodologa FEL se hace a travs
de un Modelo Probabilista denominado Modelo Integrado del Activo (MIAc). El MIAc
es; en el contexto de la mencionada metodologa,
metodologa la herramienta fundamental para tomar
decisiones.
Contenido
Da 1
B
Breve
Introduccin
I t d
i a la
l M
Metodologa
t d l FEL
FEL-VCD
VCD
Probabilidad
Muestra y Poblacin

E t d ti de
Estadstica
d la
l Muestra
M
t
o Histogramas
Incertidumbre en la Industria del Gas

y del Petrleo
1.- Hay un yacimiento de hidrocarburos ?
Prospecto
Trampa
Roca Fuente
Migracin
Sello
Productividad
Incertidumbre Geolgica
2.- Cunto petrleo hay en el yacimiento?
VOI
Volumtrico
Curvas de declinacin
Balance de Materiales
Simulacin Matemtica
Incertidumbre Volumtrica
3.- Cunto de se p
petrleo es extrable?
RESERVAS
Fr
Reservas Probadas
Reservas Probables
Reservas Posibles
Reservas por descubrir
Incertidumbre en la Industria del Gas y del

Petrleo
4.- Cules son los mecanismos de produccin asociados a esa extraccin?

Mecanismos
de
Produccin
Expansin roca - fluido

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

Mtodos de
Produccin
Bombeo Mecnico, Bombeo Hidrulico

Confiabilidad del Mtodo de Produccin

Petrleo
6.- Durante cunto tiempo puede producir el yacimiento?
Vida til
Yacimiento
Declinacin de Produccin
Frentes de Agua y Gas
Mtodos de Recuperacin Secundaria
Mtodos de Recuperacin Terciaria
7.- Cmo
7
C
manejar
j
en superficie
fi i la
l
produccin del yacimiento?
Infraestructura
para
Producir
Instalaciones de Produccin
Ingeniera de Procesos
Costo
C t M
Mantenimiento
t i i t yE
Energa
Disponibilidad y Confiabilidad
Flexibilidades Operacionales
Incertidumbre
de
Produccin
8.- Qu tan rentable es el negocio?
Rentabilidad
Precio de Venta del Crudo

Costo de Produccin
Tasa de Descuento
Variables Macroeconmicas
Mercado
Incertidumbre
Financiera

Petrleo
Ejercicio Introductorio
Ver Ejercicio Introductorio Eval. Econmica Pozo.xls

Petrleo
Incertidumbre - Fuentes
De los datos:
Calidad - Cantidad
Tecnologa de recoleccin
Del nivel de
conocimiento de
Sistemas / Procesos
De dnde viene la
Incertidumbre ?
De los modelos
matemticos
Del comportamiento
humano
De la variabilidad
inherente de
Sistemas / Procesos
De comportamientos
aleatorios
De
D la
l heterogeneidad
h t
id d
de los sistemas

Petrleo
GAP DE O
G
OPCIONE
ES
Cmo tomar decisiones en presencia de Incertidumbre?
Ignorarla y
Decidir
Tratar de
para
Eliminarla p
Decidir
Alto Ri
Alt
Riesgo
Alto Impacto
Dependencia del Factor Suerte
Ambiente Reactivo
Sub o Sobre Dimensionamiento
Altos Costos en Sistemas de Informacin

Conflicto por Calidad del Dato
Parlisis
P li i por A
Anlisis
li i
Considerarla en el
Anlisis, Cuantificarla
y Decidir
ADMINISTRACIN
DE LA
INCERTIDUMBRE

Petrleo
Administracin de la Incertidumbre
"Administrar la incertidumbre es el arte de tomar decisiones cuantificando aquello
que no se observa
b
a simple
i l vista,
i t evaluando
l
d su impacto
i
t en ell modelo
d l de
d decisin
d i i y
mejorando nuestro nivel de conocimiento, cuando ello es tcnicamente factible y
econmicamente rentable.
Dimensionar
Incertidumbre
Dato - Modelo
Estimar
Reducir
Impacto
I
Incertidumbre
tid b
sobre Modelo de
Toma de
Decisiones
Incertidumbre
Tcnicamente
Factible y
Econmicamente
Rentable
Valor de la Informacin
Contenido
Da 2
Breve Introduccin a la Metodologa FEL-VCD
Probabilidad
Muestra y Poblacin

o Histogramas
Fundamentos de Probabilidad y
Estadstica Descriptiva
Marco matemtico para predecir el futuro modelando la
experiencia.
experiencia.

Conceptos Bsicos - Probabilidad
Probabilidad:
Es una medida de la posibilidad de ocurrencia de un evento. La frecuencia de ocurrencia de un
evento es un indicador de probabilidad:
p
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
El evento o escenario
A
A no se presentar.
presentar
Enfoque
Clsico
Enfoque
E
f
Bayesiano
P(A)
1
El evento o escenario
A
A se presentar.
presentar
Enfoque Frecuentista
Basada en la historia
de ocurrencias
Enfoque Subjetivo
Basada en grado de conocimiento
(Grado de creencia)
nA: Nmero de veces que se observa el evento A

n: Nmero total de observaciones o tamao de muestra

Poblacin y Muestra
Poblacin: es el conjunto de todos los elementos que son objeto del estudio
estadstico.
Muestra:
M
t
es un subconjunto,
b
j t extrado
t d de
d la
l poblacin
bl i (mediante
( di t tcnicas
t i
d
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 Probabilidad:
En los ltimos 3 aos, se han perforado 100

pozos en campos similares geolgica y
estructuralmente al campo en el cual se
perforar
el
Pozo
LM
14022003.
Adicionalmente se ha comprobado que los
pozos
perforados
son
mecnica
y
tecnolgicamente equivalentes al nuevo
pozo
pozo.
El anlisis de estos 100 pozos nos deja las
siguientes cifras:
De 100 pozos perforados, 85 pozos fueron
completados en el objetivo geolgico
planificado.
15 pozos fueron completados en otro
objetivo geolgico.
De los 15 pozos completados en otro
objetivo, 5 pozos fueron abandonados, y el
resto de ellos fueron productores.
nA: Nmero de veces que se observa el evento

A
n: Nmero total de observaciones o tamao
de muestra
Probabilidad de Completar el Nuevo Pozo en el
Objetivo Geolgico planeado (Evento A):
Probabilidad de Completar el Pozo en un Objetivo

Geolgico distinto al planeado (Evento B):
Probabilidad de Abandonar el Nuevo Pozo (Evento C):
Probabilidad de Abandonar el Nuevo Pozo dado que

no se pudo completar en un Objetivo Geolgico
di ti t all Planeado
distinto
Pl
d (Evento
(E
t D):
D)

Conceptos Bsicos Influencia del Tamao de la Muestra

Ejemplo No. 1
Muestra 2: Pozos Campo R2M
Muestra 1: Pozos Campo R2M

Perforacin
1
2
3
4
5
6
7
8
9
10
Localizacin
KPTZ
GTHS
RVHT
HAVM
JEIV
HYSE
PLIA
NBSE
OKYB
MNTD
fracasos : k
trials : n
p
xito
X
X
X
Fracaso
X
X
X
X
X
X
X
10
prob .fracaso
1
10
0 .1
3
30
0 .1
fracasos : k 3
trials : n 30
p
prob .fracaso
Perforacin
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Localizacin
KPTZ
CRAL
HAVM
GTHS
RVHT
BCUB
MTSC
JDLD
PKTF
JEIV
HYSE
HERR
PLIA
NBSE
OKYB
MNTD
TBNM
YTED
SHG
POWE
NLAW
QPLA
OYEB
NESR
IUER
AZVU
OKEA
BJCE
UHA
ERTF
xito
X
X
Fracaso
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Con ambas muestras se

obtiene el mismo estimado
para la probabilidad de
fracaso p=0.1
A pesar de obtener el
mismo
resultado,
consideramos
que
la
estimacin
de
la
probabilidad hecha con la
muestra 2 tiene mayor
confianza
porque
la
muestra es mas grande.


Ejemplo No. 1
En el ejemplo anterior se estim la probabilidad p como:
Donde :
k
n
p: Probabilidad de Fracaso o Abandono del Pozo

k: No de fracasos en la historia o muestra de perforaciones analizadas
n: No
consideradas
N de
d perforaciones
f
i
id d en la
l muestra
t
Sin embargo, esto es solo un estimado puntual. El verdadero valor de p se encuentra en el

rango.
p LOW
p HIGH
n k 1
k (F2 k ,2 ( n
k 1 ),1
k
n
1
n k
k 1(F2 ( k
1 ),2 ( n k ),
El ancho o incertidumbre de este rango depende del tamao de la muestra analizada y del grado
de confianza que se le dar a la estimacin.
Estimado Optimista
pLOW
Estimado Ms Probable
1
1
n k 1
k (F2 k ,2 ( n
k 1 ),1
k
n
Estimado Pesimista
p HIGH
1
n k
k 1( F2 ( k
1), 2 ( n k ),


Ejemplo No. 1
En conclusin,
concl sin el anlisis de las muestras
m estras 1 y 2 de xitos
itos y fracasos en perforacin nos permite estimar para el
parmetro probabilidad de fracaso lo siguiente:
Estos rangos
pueden obtenerse
con distintos grados
de confianza
Muestra 1
Nmero de
F
Fracasos
Nmero de
Intentos
Muestra 2
10
Nmero de
F
Fracasos
Nmero de
Intentos
30
Grado de
Confianza
Estimado
"Optimista"
Optimista
p LOW
Estimado
"Mas Probable"
p
Estimado
"Pesimista"
Pesimista
p HIGH
Estimado
"Optimista"
Optimista
p LOW
Estimado
"Mas Probable"
p
Estimado
"Pesimista"
Pesimista
pHIGH
80%
0.0105
0.1000
0.3370
0.0373
0.1000
0.2090
90%
0 0051
0.0051
0 1000
0.1000
0 3940
0.3940
0 0279
0.0279
0 1000
0.1000
0 2390
0.2390
99%
0.0005
0.1000
0.5440
0.016
0.1000
0.3200
Ver Ejemplo No.1 Incertidumbre en Parmetros p.xls

Lectura No.1: Estimacin Intervalos Parmetros Binomial RARE. doc
NOTA: Estos resultados se obtuvieron

con la herramienta RARE.xls, en la
seccin de Interval Estimation

Conceptos Bsicos Estadstica Descriptiva
Estadstica Descriptiva
La Estadstica Descriptiva es la ciencia que se ocupa del estudio de la variacin, dispersin o
p especial
p
de variables conocidas como Variables Random, Variables
incertidumbre de un tipo
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.
.
Histograma de
Frecuencias
f (x)
1
.e
2
1 x
2
Curva de
Probabilidad
Estadsticas Variable Aleatoria

Media
Error tpico
M di
Mediana
Moda
Desviacin estndar
Varianza de la muestra
Curtosis
Coeficiente de asimetra
Rango
Mnimo
Mximo
68.53
1.31
67 45
67.45
66.34
13.06
170.54
0.00
0 46
0.46
60.60
41.62
102.22

Conceptos Bsicos Variables Aleatorias
Variables Aleatorias
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-11) 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))
p(
Convenio de Notacin
.167
(X=xi): representa el evento

aleatoria X toma el valor xi
.125
.083
.042
.000
2
x1
x2
x3
x4
x5
x6
x7
x8
10
x9
11
12
"la variable
p(X=xi): representa la probabilidad que la

variable aleatoria X tome el valor xi.
x10 x11
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 de las continuas, porque para cuantificar su
frecuencia hay que contar, mientras que para las variables aleatorias continuas hay que
medir.

Conceptos Bsicos Variables Aleatorias
Grficos para Variables Aleatorias - Distribuciones de Probabilidad

Las Distribuciones de Probabilidad, son modelos grficos que muestran la relacin entre los
diversos probables valores que puede tomar una variable aleatoria y la frecuencia de repeticin
u ocurrencia de estos probables valores.
Las Distribuciones de Probabilidad se clasifican en dos familias:
Distribuciones de la Muestra o Histogramas de Frecuencia
Distribuciones de la Poblacin o Distribuciones Paramtricas
f(x)
Histogramas de Frecuencias
Distribucin Parametrica
f (x)
Fre
ecuencias
f(x)
1
.e
2
1 x
2

Estadstica Descriptiva Estadstica de la Muestra
Distribuciones de Probabilidad de la Muestra - Histogramas de Frecuencia

Formatos de Histogramas
Histograma de Frecuencia
0.35
Frecuencia
0.3
0.25
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
Histograma Acumulado Directo
Frecuencias
Relativas
Frecuencias
Acumuladas
Probabilidad Accumulada
1.2
1
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
Aceleracin de Gravedad (mts/seg2)
Histograma Acumulado Inverso
Directas
Inversas
Probabilidad Acumulada
1.2
1
0.8
0.6
0.4
0.2
0
9.1 9.4
Consultar Libro Confiabilidad Integral Tomo I (pag 62 66 )
9.4 9.7
9.7 10.0
10.0 10.3
10.3 10.6
Aceleracin de Gravedad (mts/seg2)
10.6 10.9


Ejemplo No. 2: La tabla que se muestra a continuacin, muestra los valores de Porosidad
medidos en 40 pozos de un yacimiento de petrleo. Se requiere:
1.- Elaborar un histograma de frecuencias de la variable porosidad del yacimiento.
2.- Elaborar un histograma acumulado directo de la variable porosidad del yacimiento
Consultar Lectura No 2 - Procedimiento para crear un Histograma usando Excel.pdf

Ver Ejemplo No 2 Histogramas (Porosidad).xls


Estadsticas
Desviacin Estndar Muestral
Promedio o Media Muestral
1
X =
n
n
i 1
Percentiles
xi
0.8


Ejemplo No. 3: La tabla anexa contiene una muestra de 100 valores de tiempo correspondientes
a una de las actividades rutinarias en la secuencia operacional de perforacin de un pozo.
Actividad: Bajar Conductor de 13. 3/8", recolectados de bitcoras de perforacin de una muestra
de pozos.
Para los datos suministrados, se solicita:
1.- Construya los histogramas de
frecuencia y acumulado de los datos de
la muestra utilizando funciones de Excel
2.- Para la muestra dada, usando las
funciones de estadstica de Excel,
calcular:
Meda de la Muestra
Desviacin Estndar de la Muestra
Percentiles 60 y 80
Consultar Lectura No 3 - Procedimiento para obtener
las Estadsticas de una Muestra con Excel pdf
Ver Ejemplo No 3 - Histogramas (Act Perforacin).xls

Distribuciones de Probabilidad de la Muestra

Influencia del Tamao de la Muestra en el clculo de las estadsticas
Media o Promedio
La Media (m) (promedio, average, valor esperado o esperanza matemtica) es posiblemente el parmetro o
estadstica mas conocida,
conocida y la mas utilizada como valor
valor estimado de una variable
variable.
Tradicionalmente, la media para una variable aleatoria X, se calcula como m
=X =
1
n
n
i 1
xi
Donde: Xi: Valores de la muestra de la variable aleatoria X y n: tamao de la muestra

Sin embargo, esto es slo un estimado puntual. El verdadero valor de m se encuentra en el rango
LOW
HIGH
El ancho o incertidumbre de este rango depende del tamao de la muestra analizada y del grado de
confianza que se le dar a la estimacin.

Influencia del Tamao de la Muestra - Incertidumbre de Estadsticas Media o Promedio
Ejemplo No. 4: A continuacin se suministran 2 set de datos de espesores por pozo. Para el primer set
de datos slo se logr reunir un total de 15 pozos, sin embargo, un equipo de ingenieros se dedic a
compilar informacin que no estaba reportada en los sistemas formales de informacin y lograron
enriquecer el primer set con 35 pozos adicionales, obteniendo el set de datos No. 2.
Tabla No.1. Muestra 1
h(pies) Muestra 15 pozos

142.5 145.1 101.0 101.7 73.5 67.3 72.4 80.9 129.8 90.4 83.0 80.2 153.9 123.0 106.4
Tabla No.2. Muestra 2
142.5
83.0
145.1
80.2
101.0
153.9
h(pies) Muestra 50 pozos

101.7
73.5
67.3
72.4
123.0 106.4 103.9
85.6
80.6
65.6
78.3
112.6
144.3
107.2
128.2
55.5
101.1
81.3
82.6
76.9
103.0
116.9
105.1
100.6
99.7
48.2
172.4
150.5
90.9
84.9
168.7
123.9
124.7
125.9
81.1
94.7
102.6
80.7
80.9
101.4
129.8
141.8
90.4
85.2
Para las
P
l muestras
t
observadas
b
d en las
l tablas
t bl anexas, y utilizando
tili
d la
l herramienta
h
i t RARE.xls,
RARE l estimar
ti
l intervalos
los
i t
l y ell valor
l ms
probable para la Espesor Promedio (pies) para los niveles de confianza de 80, 90 y 99%.
Ver Ejemplo No.4 Incertidumbre en Parmetros media.xls
Lectura No. 4: Estimacin Intervalos Parmetros - Media RARE. pdf
Contenido
Da 2
E t d ti de
Estadstica
d la
l Poblacin
P bl i
Muestras Grandes
Opinin de Expertos
Muestras Pequeas


Estadstica de la Poblacin

Estadstica Descriptiva Estadstica de la Poblacin
Distribuciones de Probabilidad PARAMTRICAS

Una distribucin de p
probabilidad p
paramtrica tambin conocida como curva
de probabilidades, 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)
1
.e
2
1 x
2

Distribuciones de Probabilidad PARAMETRICAS - Formatos

Al igual que para las distribuciones no paramtricas, existen dos formatos para cada distribucin
paramtrica el formato de frecuencia
paramtrica,
frecuencia relativa o densidad
densidad y el formato acumulado
acumulado .
Distribucin de frecuencias o densidad de probabilidad f(X)

1
SE DEFINE COMO:
f(xi)
f( x )
f(xi)=Pr(x=xi)=pi
0.5
INTERPRETACIN:
PROBABILIDAD DE OBSERVAR EL VALOR
0
8
xi
10
11
x
Variable Aleatoria
xi
12
12
Distribucin de probabilidad acumulada directa F(X)

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

0
8
8
xi
10
x
Variable Aleatoria
11
12
12
Pr( x
xi )
F ( xi )
xi
f ( x )dx
xi
Area _ sombreada

Distribuciones de Probabilidad PARAMETRICAS - Formatos

Distribucin de probabilidad acumulada inversa - C(X)
1
SE DEFINE COMO:
C(xi)
C(xi)=Pr(x xi)
INTERPRETACIN:
C(x)=1-F(x)
PROBABILIDAD DE OBSERVAR VALORES

0
xi
xi
C(xi)
xi
F(x)
Pr( x
xi
f ( x )dx
f ( x )dx
xi
C(x)
F(xi)
x i ) C( x i ) 1

Distribuciones de Probabilidad PARAMETRICAS - 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
D
i i estandar
t d
(Medida de la dispersion incertidumbre
asociada a la variable)
XL=5%
LIMITE
INFERIOR
Pr(X< XL)=0.05
XM
90 % INTERVALO DE
CONFIANZA
Pr(L<X<U)=0.9
XU=95%
LIMITE
SUPERIOR
Pr(X< XU)=0.95
Una distribucin se caracteriza por:

El valor
l central
t l o medida
did de
d posicin
i i (la
(l media,
di la
l mediana
di
o la
l moda).
d )
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.

Distribuciones de Probabilidad PARAMETRICAS

Modelos Paramtricos de uso comn
Distribucin Normal
Distribucin Lognormal
Distribucin Binomial
Distribucin Exponencial
Variables
Aleatorias
Continuas
Distribucin de Weibull
Distribucin Beta
Variables
Aleatorias
Discretas
Distribucin Gamma
Distribucin Triangular
Distribucin Uniforme
Consultar Libro Confiabilidad de Integral Tomo I (pag 67 92)
Distribucin de Poisson
Dist. Hipergonomtrica
Distribucin Geomtrica

Distribuciones de Probabilidad PARAMETRICAS - Modelos Matemticos

Distribucin
f(t): Distribucin de
Frecuencia Relativa
f (t )
Exponencial
Weibull
Gamma
f (t )
1 e
F (t )
C (t )
F (t )
C (t )
C (t )
1 F (t )
C (t )
1 F (t )
C (t )
1 F (t )
e
t
1 e
C(t)=1-F(t): Distribucin
Acumulada Inversa
e
t
f (t )
F (t )
t
F(t): Distribucin
Acumulada Directa
e dt
Normal
Log- Normal
f (t )
f (t )
2
1
tt 2
1 t
2
F (t )
1 t
2
dt
1 ln( t )
t
t
F (t )
f (t )dt
0
De la Estadstica de la
Muestra a la de la Poblacin
Muestras Grandes > 14 Datos
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
De la estadstica de la muestra a la de la poblacin

f(x)
Estadstica de la Poblacin
f(x)
Distribucin No Paramtrica
Distribucin Parametrica
Distribucin Paramtrica
Frequ
uencies
Frec
cuencias
f (x)
1
.e
2
1 x
2
Media de la Muestra X =
Muestra SD
1
n 1
1
n
n
i 1
n
i 1
xi
xi
x .f ( x )dx
Media de la Poblacin
Poblacin SD
(x
)2 .f ( x )dx
1
2

Poblacin

Sugerencias para Plantear Hiptesis sobre Modelos de Probabilidad que puedan hacer un
buen ajuste sobre los datos de una Muestra
Muestra.
Variables Fsicas
Variables Relacionadas con Tiempo
Variables Relacionadas
con Desviacin o Error
Variables por Opinin Expertos
Variables Relacionadas
con xito y Fracaso

Poblacin
De la estadstica de la muestra a la de la poblacin MUESTRAS GRANDES

Caracterizacin probabilstica de la muestra o Cmo seleccionar el modelo de
distribucin de probabilidad para una muestra dada?
f
8
7
6
F 1( X , 1 , 2 ) Fm ( X , 1 , 2 ) F 2( X , 1 ,
5
4
3
2
M
t
Muestra
1
0
F(x)
X1
0.8
0.6
0.4
X2
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
X3
X4
.
Establecer Distribucin de
Probabilidad Hiptesis
Xn
n= nmero de
datos de la
muestra
t o
tamao de
muestra
0
0.064-0.086
Hiptesis 1
Hiptesis 2
Hiptesis m
f1 ( x, 1 ,
F1 ( x, 1 ,
f2 ( x, 1 ,
F2 ( x, 1 ,
fm ( x, 1 ,
Fm ( x, 1 ,
2
2
0.108-0.13
0.13- 0.152
0.152-0.174
0.174- 0.196
0.196- 0.218
0.218- 0.24
0.086-0.108
Test de Bondad de
Ajuste
.
.
Es el mejor ajuste para los

Datos de la Muestra

Poblacin
De la estadstica de la muestra a la de la poblacin MUESTRAS GRANDES

Ejemplo No. 5
La tabla que se muestra a continuacin, muestra los valores de Porosidad medidos en 40
puntos (pozos) de un yacimiento de petrleo. Utilizando el software Crystal Ball, caracterice
en forma probabilstica la variable en estudio encontrando la distribucin paramtrica que
mejor represente los datos.
1.- Represente estos datos con la
distribucin en su forma de frecuencia
relativa y en en su forma acumulada
2.- Calcule las siguientes magnitudes:
- Media
- Desviacin
D
i i Estndar,
E t d
- Percentil 10, 50 y 90 e intervalo del
80% de certeza
Consultar Lectura No 5 - Procedimiento para caracterizar variables

apoyados en Crystal Ball.pdf
Ver Ejemplo No 5 Histogramas (Porosidad CB).xls
De la Opinin de Expertos
a la Estadstica de la
Poblacin
Cmo representar una variable aleatoria

cuando la evidencia muestral es nula o
demasiado pequea y el conocimiento sobre la
variable aleatoria reside en la mente de los
expertos?

De la Opinin de Expertos a la Estadstica de la
Poblacin
Caracterizacin Probabilstica de las Variables a partir de la Opinin de Expertos
La opinin de expertos representa una de las fuentes fundamentales de informacin para
clculos
l l en ingeniera
i
i y es particularmente
ti l
t til cuando
d se trata
t t de
d anlisis
li i de
d riesgo.
i
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
1.Mtodo de Delphi
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.

Poblacin
f(X
) )
Caso 1: Distribucin BetaPert: Se utiliza para representar

probabilsticamente la opinin de expertos en los siguientes
casos:
0,45
04
0,4
0,35
0,3
0,25
La opinin del experto viene expresada en tres valores;

un mnimo (Xmin), un valor mas probable (Xmprob) y un
mximo (Xmax).
(Xmax)
0,2
0,15
0,1
0 05
0,05
0
0,1190
La variable que se esta representando es una variable

fsica o una variable relacionada con tiempo.
0,1390
Xmin
Caso 2: Distribucin LogNormal: Se utiliza para

representar probabilsticamente la opinin de expertos en los
siguientes casos:
0,1590
0,1790
0,1990
0,2190
Xmas probable
0,236
Xmax
EXPERTO
0.00400
0.00350
La variable que se est representando es una variable

fsica o una variable relacionada con tiempo.
0.00300
Probability
La opinin del experto viene expresada en dos valores;

un mnimo (Xmin) y un mximo (Xmax). El experto
expresa que debe haber un valor mas probable pero no
puede estimarlo.
0.00250
0.00200
0.00150
0.00100
0.00050
0.00000
0
0.1
X 5%
X MIN
0.2
0.3
EXPERTO
0.4
0.5
X 95%
0.6
X MAX

Poblacin
f(x)
Caso 3: Distribucin Triangular: Se utiliza para

representar probabilsticamente la opinin de expertos en los
siguientes casos:
La opinin del experto viene expresada en tres valores;

un mnimo (Xmin), un valor mas probable (Xmprob) y un
mximo (Xmax).
(Xmax)
La variable que se esta representando es una variable
relacionada con precios o costos.
Caso 4: Distribucin Uniforme: Se utiliza para representar
probabilsticamente la opinin de expertos en los siguientes
casos:
xmin
xmax
xmprob.
EXPERTO
f(x)
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.
ocurrir
xmin
EXPERTO
xmax

Poblacin
Ejemplo No. 6
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,
rea est dada por tres valores (Un mximo,
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 6 - Proc. para caracterizar Opinin de

Expertos con Crystal Ball BetaPert.odf
Ver Ejemplo No 6 Opinin de Expertos xls

Poblacin
Ejemplo No. 7
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
Declinacin
Yacimiento
XRM
Mnimo
0.1228
Mximo
0.3826
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
g
preguntas:
p
g
1.- Qu distribucin de probabilidades puede usarse para representar dicha variable? Justifique su
seleccin.
Consultar Lectura No 7 - Procedimiento para Opinin de

Expertos con Crystal Ball- LogNormal.pdf
Ver Ejemplo No 7 Opinin de Expertos xls
De la Estadstica de la
Muestra a la de la Poblacin
Muestras Pequeas < 15 datos
Caracterizacin probabilstica de la
muestra o Cmo seleccionar el modelo
de distribucin de probabilidad para una
muestra dada?

Poblacin
De la estadstica de la muestra a la de la poblacin MUESTRAS PEQUEAS
Tamao de Muestra entre 6 y 15 datos 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 p
partir del g
grfico,, el Valor Moda o Valor Ms
Probable.
Paso 4: Con los tres valores previamente calculados, construya una Distribucin BetaPert.
Pasos 1 y 2
Muestra Datos
Pozos Muestra
% Declinacion
Pozo 1
17.30%
Po o 2
Pozo
Histograma de Declinacin
15 80%
15.80%
Pozo 3
17.00%
Pozo 4
14.20%
Pozo 5
10.70%
Pozo 6
20.70%
Pozo 7
19 50%
19.50%
Pozo 8
25.20%
Pozo 9
46.90%
Pozo 10
27.70%
Paso 4
Paso 3
7
120.00%
100 00%
100.00%
80.00%
Valor Mnimo
60.00%
40.00%
20.00%
1
0
Valor Mximo
0.00%
10.70%
22.77%
34.83%
Clase
Valor Ms Probable o Moda
y mayor...

Poblacin
Tamao de Muestra entre 6 y 15 datos OPCIN 2
Paso 1: A partir de los datos de la muestra y utilizando la funcin PERCENTIL de Excel,
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
Pozo 4
17.00%
14.20%
Pozo 5
10.70%
Pozo 6
Pozo 7
20.70%
19.50%
Pozo 8
25.20%
Pozo 9
Pozo 10
46.90%
27.70%
P5%=PERCENTIL(K15 :K24,0.05)=0.12275
P95%=PERCENTIL(K15 :K24,0.95)=0.3826

Poblacin
Tamao de Muestra < 6 datos
En el caso de muestras muy
yp
pequeas
q
es recomendable apoyarse
p y
en el Teorema de Bayes
y q
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
i knowledge
k
l d
y se denota
d
f( /X) Esta
f(q/X).
E
i f
informacin
i se obtiene
bi
combinando:
bi
d
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.
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:
f( / X)
L( X )g ( )
L( X )g ( )d
Teorema de Bayes

MUESTRAS PEQUEAS
CASO I: Distribucin de la Probabilidad de xito o Fracaso - n<6 datos
La aplicacin del Teorema de Bayes diagramada en esta lmina es especial para mejorar las estimaciones sobre la
Probabilidad de xito o Fracaso cuando se tienen pocos datos (Evidencia Escasa o Poco Robusta).
D t A
Datos
Anlogos
l
u Opinin
O i i de
d Expertos
E
t
Informacin Previa
pLOW
Distribucin Beta-Pert
Probabilidad de Fracaso p
Muestra
X1
X2
X3
X4
pHIGT pLOW
6
xito
x
Trials (nPREVIA)
Fracasos (kPREVIA)
0.1
0.2
0.3
0.4
0.5
0.6
0.7
.
.
.
Xi
pLOW
4 p pHIGT
6
pHIGHT
pLOW
pHIGHT
pLOW 2 p pLOW pHIGT

p
pHIGT pLOW
pHIGT
pLOW
Evidencia (Experiencia Propia)

x
X2
.
.
.
Xi
TEOREMA DE BAYES
xito
Trials (nEVIDENCIA)
Fracasos (kEVIDENCIA)
f( / X)
kEVIDENCIA
nEVIDENCIA
pACTUALIZADA
L( X )g ( )
L( X )g ( )d
kEVIDENCIA
nEVIDENCIA kEVIDENCIA
2
nEVIDENCIA
nEVIDENCIA 1
pACTUALIZADA
1
2
0.00250
0.00200
Probability
Muestra
X1
Conocimiento Actualizado o Posterior
0.00150
0.00100
0 00050
0.00050
0.00000
0.1
0.2
0.3
0.4
0.5
Probabilidad de Fracaso
Prior Distribution
Posterior Distribution
0.6
0.7

MUESTRAS PEQUEAS
CASO I: Distribucin de la Probabilidad de xito o Fracaso - n<6 datos

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.
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.

MUESTRAS PEQUEAS
CASO II: Distribucin del Valor Esperado de Variables o Propiedades - n<6 datos
La aplicacin del Teorema de Bayes diagramada en esta lmina es especial para mejorar las estimaciones
sobre el Valor Esperado o Promedio de una Variable Aleatoria o Propiedad cuando se tienen pocos
datos (Evidencia Escasa o Poco Robusta).
Muestra de
tamao m
Prior Knowledge
Datos Anlogos
H1
H2
H3
H4
H5
.
.
.
.
.
.
Hm
Muestra de
tamao n
h1
h2
h3
.
.
.
.
hn
Teorema de Bayes
Posterior Knowledge
Informacin Mejorada
Evidence
Datos Propios

MUESTRAS PEQUEAS
CASO II: Distribucin del Valor Esperado de Variables o Propiedades - n<6 datos
Esta aplicacin
p
ha sido p
particularmente valiosa y exitosamente aplicada
p
en la
Industria del Gas y del Petrleo en situaciones tales como:
Clculo de Volmenes Originales y Reservas para nuevos desarrollos utilizando
informacin de propiedades de campos anlogos.
anlogos
Mejora de Pronsticos de Produccin generados por simulacin aprovechado
las primeras evidencias para actualizar el modelo.
Contenido
Da 3
E t d ti de
Estadstica
d la
l Poblacin
P bl i
Muestras Grandes
Opinin de Expertos
Muestras Pequeas


Operaciones con
Variables Aleatorias

Simulacin de Montecarlo
Modelos Deterministicos
Variables de Entrada
(Informacin)
Modelo
(Informacin)
Variable de Salida
(Variable de decisin)
A
B
C
D
E=
(A+B+C)
(A
B C)
D


(Informacin)
Variable de Salida
(Variable de decisin)
Modelo
(Informacin)
A
0,15
0,15
0,15
0,15
0,15
B
0,76
0,78
0,80
,083
0,82
,062
0,85
E=
C
(A+B+C)
D
,041
,021
,000
50.680,17
18,50
19,25
20,00
20,75
54.456,64
58.233,11
62.009,58
65.786,05
54.375,00
58.750,00
63.125,00
67.500,00
21,50
1,000
,750
D
0,92
0,93
0,95
,500
0,96
,250
0,98
,000
50.000,00
ETAPA 1:
ETAPA 2:
ETAPA 3:
CUANTIFICACION DE LA INCERTIDUMBRE
ASOCIADA A LAS VARIABLES DE ENTRADA O
CARACTERIZACION PROBABILISTICA DE LAS
VARIABLES DE ENTRADA
PROPAGACION
DE
LA
INCERTIDUMBRE ASOCIADA A
CADA VARIABLE EN EL MODELO
MATEMATICO.
CUANTIFICACION
DE
LA
INCERTIDUMBRE
ASOCIADA A LA VARIABLE DE SALIDA O
RESULTADO,
O
CARACTERIZACION
PROBABILISTIA DEL RESULTADO

Operaciones con Variables Aleatorias Ejemplo No. 8 Parte I

Se propone realizar un Mantenimiento y el equipo de ingenieros necesita estimar el Tiempo Total de la Actividad,
p
la p
programacin
g
de recursos.
con la finalidad de optimizar
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
12,805
11,603
12,634
10,243
6,572
15,218
14,397
17,782
25,959
19,044
19 926
19,926
19,311
19,578
18,365
9,778
15,345
11,222
18,483
14,091
11,778
Act.2
Mnimo
Mas Probable
Mximo
4
10
17
Act.3
Mnimo
Mas Probable
Mximo
2
8
32
Con esta informacin conteste las siguientes preguntas:

1.- Cul es la probabilidad que el mantenimiento se complete
antes de 30 das?
2.- Si tuviese q
que suministrar sus estimados sobre el Tiempo
p
para realizar un Mantenimiento, cual sera su respuesta?
Justifquela.
Consultar Lectura No 8 - Procedimiento para efectuar Operaciones

con Variables Random apoyados en Crystal Ball.pdf
Ver Ejemplo No 8 Parte I - Operacin con Variables (Tiempo Actividad).xls

Operaciones con Variables Aleatorias Ejemplo No. 8 Parte II Planteamiento del Problema
De la poblacin total de actividades en la secuencia de Reparacin Mayor de un Pozo, asumiremos que las
actividades que conformarn la reparacin son las listadas a continuacin:
1.- Deslizar (D)
2.- Control de Pozo (CP)
3.- Recuperar Aparejo de Produccin (RAP)
4.- Perforar (P)
5.- Escarrear Tubera y Rimar Boca de Liner (ETRB)
6.- Estimulacin (E)
En las tablas de la pgina siguiente, 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,
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 Actividad de
Reparacin".
Reparacin"
3.- Si usted es el responsable de suministrar a la alta Administracin el estimado de la variable Tiempo Total de la
Actividad de Reparacin, cual sera su respuesta?

Operaciones con Variables Aleatorias Ejemplo No. 8 Parte II Datos

D (hrs)
CP (hrs)
RAP (hrs)
P (hrs)
ETRB (hrs)
E (hrs)
13
20
8
24
12
11.5
21
5.5
13.5
5.5
9.5
10
12
29.5
14.5
29
11.5
10
7
10
4
12
3
9
11.5
3
19
22.5
9
57
9
11
11.5
15
44
13
21
26
14
8
9
28
47
40
27.5
65
23.5
112.5
59.5
17.5
33.5
24
61
20
66.5
10
39
83
52
24
24.5
41.5
29
96
19.5
87
12
51
19
85
42
56
53
35
56
95.5
43.5
53
110.5
158
83
46
32
34
95.5
105
27
38.5
22
49
21
36
22
21
81
28.5
37.5
88.5
34.5
154 5
154.5
22.5
181.5
33
35.5
42
26
31.5
41
53
70
105.5
41.5
50
74
74.5
71.5
52
59.5
163
42
47
22.5
58.5
27.5
83
46.5
94.5
30.5
89
46.5
62.5
41
110.5
47
99
82.5
66.5
57
118.5
58
172
51
154.5
167
68
304
184
186.5
83
166
44
21
33.5
30
17
39
18
20.5
19
36
28.5
38
86
77.5
72
37
20.5
46
153
122
18
28
158
43.5
31.5
47 5
47.5
116.5
25
142.5
105.5
10
40.5
48
20.5
41
7.5
31.5
20
28.5
22.5
8.5
23
70
48.5
10
44.5
5.5
90
7
Ver Ejemplo No 8 Parte II - Operacin con Variables (Tiempo Perf).xls

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
di i t que debe
d b realizarse
li
d
despus
de
d haber
h b completado
l t d la
l propagacin
i de
d incertidumbre
i
tid b ya sea por ell
Mtodo de los Momentos o por Simulacin de Montecarlo.
Este anlisis es de vital importancia para la Administracin de 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
i f
informacin,
i toma
t
d datos,
de
d t
anlisis
li i causa raz,
etc)
t ) para mejorar
j
ell nivel
i l de
d conocimiento
i i t sobre
b las
l mismas,
i
(d
(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.
t ti
E los
En
l siguientes
i i t puntos
t se ampliar
li en detalles
d t ll los
l tipos
ti
d anlisis
de
li i de
d sensibilidad
ibilid d mas conocidos.
id
Variables Sensibles del

Proceso
Identificar
Centrar
Atencin
Variables Crticas
Tomar
Decisiones
Tcnicamente Factibles
Econmicamente Rentables

Anlisis de Sensibilidad Tipos de Sensibilidad
S
Sensibilidad
Tipo I
Sensibilidad de la Variable de Salida a
la Dispersion (Desviacin Estndar) de
las Variables de Entrada
Dagramas de
Contribucin a la
Varianza
Dagramas de
Correlacin por
Ranking
Anlisis de
Sensibilidad
Sensibilidad Tipo II
Sensibilidad de la Variable de Salida a
la posicin de la Media de las
Dagramas de
Tornado
Dagramas de
Araa

Tipos de Sensibilidad
Variables de
Entrada
M d l
Modelo
Sensibilidad Tipo II
Sensibilidad de la Variable de Salida a la
posicin de la Meda de las Variables de
Entrada
A
0,15
0,15
0,15
0,15
0,15
0,82
0,85
Variable de Salida
B
0,76
0,78
0,80
E=
C
18,50
19,25
20,00
20,75
21,50
0,96
0,98
(A+B+C)
D
D
0,92
0,93
0,95
Sensibilidad Tipo I
Sensibilidad de la Variable de Salida a la
Dispersion (Desviacin Estndar) de las

Simulacin de Montecarlo y Anlisis de Sensibilidad
Ejemplo No. 9: Estimacin (Pronstico) del Gasto Inicial de un Pozo y Anlisis de
Sensibilidad
Con base en la Lectura No. 9 Simulacin de Montecarlo y Anlisis de Sensibilidad - Qo.pdf
p
se
plantea un ejemplo que se divide en 5 etapas:
Parte 1: Estimar el Gasto Inicial de Produccin para un Pozo.
Parte 2: Realizar un Anlisis de Sensibilidad de la Gasto Inicial de Produccin por el Mtodo
de Contribucin a la Varianza.
Parte 3: Realizar un Anlisis de Sensibilidad de la Gasto Inicial de Produccin por el Mtodo
de Correlacin por Ranking.
Parte 4: Realizar un Anlisis de Sensibilidad de la Gasto Inicial de Produccin con un
Diagrama de Tornado.
Parte 5: Realizar un Anlisis de Sensibilidad de la Gasto Inicial de Produccin con un Grfico
de Araa.
Ver Ejemplo No. 9 Simulacin de Montecarlo y Anlisis de Sensibilidad Qo.xls
Lectura No.9: Simulacin de Montecarlo y Anlisis de Sensibilidad Qo.pdf

Correlaciones Probabilsticas
Operaciones con Variables Aleatorias Correlaciones Probabilsticas

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 Mxico (Correlacin Positiva).
Permeabilidad y Porosidad en un Yacimiento (Correlacin Positiva).
Variables Positivamente
C
Correlacionadas
l i
d
Variables Negativamente
C
Correlacionadas
l i
d
Variables No Correlacionadas o
I d
Independientes
di t
1,5
2500
2000
1,4
2000
1500
1,3
1500
Y
2500
1000
1,2
,
1000
500
1,1
500
1
15
20
25
30
X
35
40
500
1000
1500
X
2000
2500
200
400
600
800
X
1000
1200
1400


Factor de Correlacin: La intensidad de la dependencia probabilstica se mide con un indicador
estadstico conocido como Factor de Correlacin,, cuyos
y valores varan entre -1 y 1.
La
L correlacin
l i dbil entre
t variables
i bl no afecta
f t ell resultado
lt d del
d l modelo
d l de
d simulacin.
i l i
Las correlaciones moderadas y altas pueden producir un error significativo, si ste no es
considerado explcitamente en el modelo de simulacin.


Ejemplo No. 10: Estimacin del Factor de Correlacin entre Variables
Porosidad - Fraccin
Estimar el factor de correlacin entre

Porosidad y Saturacin de Agua,
utilizando los datos mostrados a
continuacin:
Lectura No 10 - Procedimiento para estimar Factor de Correlacin

entre Variables apoyados Crystal Ball.pdf
Ver Ejemplo No 10 - Correlacin Porosidad - Saturacin
0.198
0.200
0.208
0.204
0.198
0.206
0.177
0.207
0 159
0.159
0.217
0.206
0.162
0.154
0.196
0.187
0.201
0.204
0.192
0.199
0.172
0.170
0 170
0.170
0.224
0.201
0.246
0.160
0.188
0.158
0.145
0.218
0.200
0.189
0 152
0.152
0.165
0.198
0.142
0.225
0.161
0.170
0.174
0.241
0.183
0.152
0.168
0.187
0 178
0.178
0.190
Sw - Fraccin
0.212
0.217
0.204
0.206
0.209
0.190
0.232
0.206
0 244
0.244
0.204
0.223
0.221
0.241
0.207
0.231
0.209
0.210
0.219
0.210
0.240
0.211
0 239
0.239
0.191
0.207
0.203
0.240
0.232
0.242
0.249
0.208
0.200
0.225
0 242
0.242
0.220
0.197
0.266
0.201
0.240
0.238
0.229
0.126
0.229
0.235
0.233
0.222
0 230
0.230
0.220
Reglas de Oro de la Simulacin de Montecarlo

1 A
1.
Apropiada
i d seleccin
l
i de
d las
l distribuciones
di t ib i
que caracterizan
t i
l variables
las
i bl de
d entrada
t d 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
Contenido
Da 3
E t d ti de
Estadstica
d la
l Poblacin
P bl i
Muestras Grandes
Opinin de Expertos
Muestras Pequeas


Principios de Anlisis Financiero Probabilista

Principios de Anlisis Financiero - Aspectos Generales
La tarea fundamental de los analistas de proyectos u opciones de inversin es contribuir
directa o indirectamente a que los recursos disponibles en la economa sean asignados en la

forma ms racional entre los distintos usos posibles.
Quienes deben decidir entre las diversas opciones de inversin o quienes deban sugerir la
movilizacin de recursos hacia una opcin determinada,

determinada asumen una gran responsabilidad,
responsabilidad
pues sus recomendaciones pueden afectar en forma significativa los intereses de los
inversionistas (pblicos o privados), al estimular la asignacin de recursos hacia unas
opciones en detrimento de otras.
Este proceso implica definir figuras de mrito o indicadores que permitan calificar las
diferentes opciones de utilizacin de los recursos, en sus usos ms eficientes; en otras

palabras, la tarea de evaluar consiste en cuantificar ciertas magnitudes asociadas a cada
opcin de inversin y convertirlas en cifras financieras con el fin de obtener indicadores tiles
para medir su bondad.
El anlisis financiero de opciones provee las metodologas para determinar las ventajas y
desventajas que se pueden esperar de asignar o no recursos hacia objetivos determinados y

la misma implica la organizacin, estudio y anlisis de los diferentes factores de orden
econmico, tcnico, financiero, administrativo e institucional asociados a cada opcin de
inversin.

Principios de Anlisis Financiero
Indicadores Financieros Valor Presente Neto Modelo Determinista
El indicador valor Presente Neto (VPN), tambin conocido como NPV (Net Present Value) por sus siglas en
ingls, es un ndice que calcula el valor presente de un determinado flujo de caja proyectado o futuro; y que
busca bsicamente responder la siguiente pregunta, Cunto dinero de hoy representa un flujo futuro de
costos y beneficios? .
Este mtodo, descuenta el flujo de caja a una determinada tasa igual durante todo el perodo bajo anlisis,
conocida como tasa de descuento (i), la cual ha sido definida previamente.
Matemticamente el VPN se expresa con la siguiente ecuacin:
VPN n
INGRESO j
(1 i )
j 1
VPN
EGRESO j
j
INVERSION INICIAL
Habr ganancias mas all de haber recuperado la inversin inicial
Slo se ha recuperado la inversin
Las ganancias no son suficientes para recuperar el dinero invertido

i=tasa de descuento

Principios de Anlisis Financiero - Flujo de Caja Proyectado
El Flujo de Caja Proyectado constituye uno de los elementos ms importantes del estudio de
un proyecto; y el mismo consiste en un modelo grfico que se utiliza para representar los
ingresos y desembolsos de dinero que se esperan a lo largo del horizonte econmico
establecido.
Durante la construccin del grfico que representa un flujo de caja,
caja la direccin de las flechas
es importante, puede asumirse que una flecha hacia arriba es positivo (ingreso), y si se
muestra hacia abajo es negativo (egreso).
Ingresos
(US$)
Horizonte Econmico
INGRESOS
t
DESINCORPORACION
Egresos
(US$)
INVERSION
INICIAL
OPERACIN + IMPUESTOS + EVENTOS NO DESEADOS
Flujo de Caja Proyectado
Ingresos
Horizonte Econmico
(Tiempo)
0
Inversin Inicial
Impuestos
Operacin
Eventos No Deseados
Desincorporacin
Ingresos
1
1
5
4
Egresos
VPN n
n
j 1
INGRESO j
EGRESO j
(1 i )
INVERSION INICIAL
i=tasa de descuento

Principios de Anlisis Financiero
Indicadores Financieros Valor Presente Neto Modelo Probabilista
VARIABLES DE ENTRADA
(INFORMACION)
Horizonte del
Proyecto (aos)
Inversion
Inicial
Ingresos
Egresos
Tasa de
Descuento
MODELO
(INFORMACION)
VARIABLE DE SALIDA
(VARIABLE DE DECISION)
VPNE
VPN
E
Factor
de Rentabilidad
Factor
Rentabilidad
n
.094
CAPEX
INGJ.
VPNn
n
j 1
EGR
G J.
i
ING j EGR j
(1 i)
VPN
.071
CAPEX
.047
.024
.000
-3,000.00
-500.00
2,000.00
4,500.00
7,000.00
Pr (VPN<0)
Pr(VPN<0)
Factor de Riesgo
Factor de Riesgo
i=tasa de descuento

Ejemplo Integrador I
Integrar vincular resultados de los Ejercicios No. 8 Parte II y No. 9 con la Evaluacin
Econmica mostrada en el Ejercicio Introductorio 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).
2.- Anlisis de Sensibilidad del VPN.
Contenido
Da 3
g
del Activo ((MIAc)) Parte I
Modelo Integrado

Aplicacin

o Estimacin
st ac Probabilista
obab sta de
del xito
to o Fracaso
acaso de la
a Actividad
ct dad de Perforacin
e o ac y Reparacin
epa ac
Reparacin
Pozos
Modelo Integrado del Activo - MIAc
La metodologa FEL - VCD, es posiblemente la primera metodologa de Administracin de

Proyectos que sustenta sus resultados en un Anlisis Cuantitativo de Riesgo y requiere de la
rigurosa caracterizacin probabilstica de las variables que puedan generar riesgos en el proyecto. El
riesgo es consecuencia de la incertidumbre que existe sobre las variables fsicas que gobiernan el
yacimiento, las variables operacionales asociadas a la extraccin y las variables financieras, que
finalmente generan incertidumbre y riesgo en las rentabilidades de los activos, va sus proyectos de
inversin.
El dimensionamiento del riesgo y la incertidumbre en la metodologa FEL - VCD se hace a travs de
un Modelo Probabilista denominado Modelo Integrado del Activo (MIAc), el cual se convierte en
la herramienta fundamental para lomar decisiones.
Modelo Probabilista de Volmenes Originales y

Reservas.
Modelo Probabilista de Pseudo Pozo o Pozo
Tipo.
Modelo Probabilista de Instalaciones.
Modelo
Probabilista
del
Perfil
(Banda
Pronstico) de Produccin basado en el
Movimiento de Equipos.
Modelo Probabilista Econmico.
Cmean:10 MMUSD
Cplan:15 MMUSD
Pr(Creal>Cplan):70%
CMX:19 MMUSD
Para la generacin del Modelo MIAc, se han desarrollado herramientas computacionales basadas en
plantillas preestablecidas para cada uno de los sub modelos del MIAc, desarrolladas con Microsoft
Excel utilizando Visual Basic para Aplicaciones bajo Excel (VBA) y el software Crystal Ball.
La mencionada herramienta permite actividades fundamentales para el anlisis de riesgo e
incertidumbre tales como:
Caracterizacin probabilstica de variables (encontrar la distribucin de probabilidades que mejor
ajusta
j t all comportamiento
t i t de
d una muestra
t de
d datos
d t sobre
b una variable
i bl especfica).
fi ) Es
E importante
i
t t hacer
h
nfasis en que la herramienta, adicional a las tcnicas estadsticas tradicionales, considera tcnicas
estadsticas especiales para el tratamiento de informacin escasa y tcnicas para el manejo de
distintos tipos de informacin:
Tcnicas estadsticas para tratar datos o muestras recolectadas en el mismo activo
EVIDENCIA.
Tcnicas estadsticas para tratar Opinin de Expertos CONOCIMIENTO EMPRICO
Tcnicas estadsticas para tratar Estadstica Internacional CONOCIMIENTO GENRICO O
DATOS ANLOGOS.
Propagacin de Incertidumbre con Simulacin de Montecarlo, Latin Hypercube y Mtodo de los
Momentos .
Medicin del sesgo y la subjetividad en la opinin de expertos y Teorema de Bayes para combinar
informacin de expertos o estadstica internacional, con informacin propia o evidencia.
Sub Modelo Probabilista de Volmenes

Originales y Reservas

Estimacin Probabilista del VOI y Reservas

Modelo Volumtrico Yacimientos de Aceite

Estimacin Probabilista del VOI y Reservas

Ejemplo No. 11. Estimacin del Volumen Original y Reservas - Yacimientos de Aceite.
Desarrollar un Modelo Probabilista para la estimacin de Volmenes Originales y Reservas
para los datos del Ejemplo 11 de la Carpeta de Ejercicios.
Parte I:
I Desarrolle el Modelo Probabilista del VOI y Reservas
Reser as siguiendo
sig iendo la Lectura
Lect ra No.
No 11.
11
Parte II: Realice la estimacin del VOI y Reservas para los datos del Ejemplo 11 apoyndose
en la Plantilla para Clculo de Volumen de Hidrocarburos que encontrar en la Carpeta de
Herramientas Computacionales.
Computacionales
Lectura No.11: Estimacin VOI y Reservas Yacimientos de Aceite. pdf

Ver Ejemplo No 11 VOI y Reservas Yacimientos Aceite.xls
Sub Modelo Probabilista de Volmenes

Originales y Reservas
Aplicacin en el AIB
Modelo Integrado del Activo - MIA

Sub Modelo de Volmenes Originales y Reservas
Aplicacin en el AIB Mapa de Incertidumbre
Contenido
Da 4
g
Modelo Integrado

Aplicacin

o Estimacin
st ac Probabilista
obab sta de
del xito
to o Fracaso
acaso de la
a Actividad
e o ac y Reparacin
epa ac
Reparacin
Pozos
Definicin de Pseudo Pozo o Pozo Tipo

Con la intencin de poder manejar planes de explotacin complejos y cubrir adems la gran variedad de
yacimientos y el g
gran nmero de p
pozos requeridos
q
para drenar las reservas,, se dise una
p
condiciones de y
metodologa que contempla la integracin de los modelos de pozos segn su configuracin mecnica de
perforacin, terminacin, la condicin de productividad del yacimiento en trminos de baja, media y
alta productividad y las tecnologas. El elemento integrador de todas estas caractersticas es el
denominado Pseudo Pozo o Pozo Tipo.
El sub modelo del Pseudo Pozo o Pozo Tipo, contempla las siguientes estimaciones:
Estimacin Probabilista del Gasto Inicial por Pozo Tipo.
o Gasto inicial de Produccin.
o Anlisis de Sensibilidad de la Cuota de Produccin.
Estimacin Probabilista del xito o Fracaso de la Actividad de Perforacin y Terminacin o de la
Reparacin Mayor.
o rbol de probabilidades (Probabilidad de terminarlo en el objetivo planificado, Probabilidad de
terminarlo en otro objetivo y Probabilidad de abandonar).
Estimacin Probabilista del Perfil o Pronstico de Produccin.
o Distribucin Probabilista de la Vida til del Pozo.
o Distribucin Probabilista de la Velocidad de Declinacin.
Declinacin
o Perfil o Banda Probabilista de Produccin.
Estimacin Probabilista de Tiempos y Costos de la Actividad de Perforacin y Terminacin o de la

Reparacin Mayor.
Codificacin de Pseudo Pozo o Pozo Tipo

Para la identificacin y manejo dentro del MIAc de los modelos de pseudo pozos o pozos
tipo
tipo, debe generarse una nomenclatura o cdigo fuente
fuente.
Ejemplo Aplicacin al AIB
Cdigo
Codigo Fuente Pozos Tipo
Modelo Pozo
P.V.F*
Tecnologa
rea
Area
P.H.F
P.V.C
P.V.N
P.N.F
Cent
Occ
Orien
Sab
Conv
DNC
FNC
Pozo Tipo
p 011B
Pozo Tipo: Vertical Fracturado Hidrulicamente,
rea
C t l Disparos
Central,
Di
N Convencionales
No
C
i
l y de
d
Baja Productividad
* P.V.F: Pozo Vertical Fracturado Hidrulicamente
Condicin de
P d ti id d
Productividad
A
Sub Modelo Probabilista de Pseudo Pozo o Pozo Tipo
Estimacin del Gasto Inicial de Produccin

Probabilidad de xito y Fracaso en la Actividad
Pronstico o Perfil de Produccin
Estimacin del Tiempo de la Actividad
Estimacin del Costo de la Actividad
Diagrama de Pareto- Tiempo con Riesgo
PEF-17 - Espera p or lod o 6-1/2"
3.86
PEF-08 - Falla d e eq uipo 8-1/2"
0.79
PEF-03 - Co nd icio nes Climticas 6-1/2"
Disponibilidad del Pozo
0.70
PEF-17 - Espera p or lod o 8-1/2"
0.67
MTR-08 - Camb io d e Pro grama 7-5/8"
0.66
PEF-15 - Pro blemas en ho yo/Arrastres 81/2"
0.64
AZA-03 - Fallo anclaje retenedo r ST
0.58
ETR-05 - Falla de equip o 7-5/8"
0.52
ILP-08 - Esp era p o r transp orte
0.51
BHD-08 - Obstruccin en f ond o
0.43
CMT-07 - Cementaci n def iciente 7-5/8"
0.43
ILP-04 - Cond icio nes Climticas
0.41
PEF-21 - Tap n de cemento 8-1/2"
0.37
RAP-15 - Co ntingencia p or alerta de

huracn
0.34
RAP-12 - Tub era Atascad a
0.29
0.0
0.5
1.0
1.5
2.0
2.5
Tiempo (Dias)
Evaluacin Econmica
3.0
3.5
4.0
4.5

Estimacin Probabilista del Gasto Inicial

de Produccin

Basado en modelos de afluencia, la estimacin del gasto inicial de produccin implica la

caracterizacin probabilstica de las variables petrofsicas y propiedades de los fluidos que
regulan el rgimen de afluencia yacimiento-pozo.
Pozos
Pozo 1
Pozo 2
Pozo 3
Pozo 4
Pozo 5
Pozo 6
Pozo 7
Pozo 8
H
25
30
43
18
16
22
35
38
Pwf
600
650
700
640
620
610
600
650
Pe
1200
1111
1110
1125
1350
1400
1345
1234
Pozo n-1
Pozo n
46
16
650
700
110
1400
Permeabilidad Viscosidad
300
220
310
220
400
220
298
240
350
220
345
230
356
220
367
240
400
416
Dao
-2
-1
0.5
-3
2
1
1
2
220
230
Pozo 1
Pozo 2
Nuevo Pozo
2
-1
Informacin de Pozos Similares

Pwf
Pe
Modelos de Afluencia
G t IInicialQ
Gasto
i i lQ0 (bpd)
(b d)
Permeabilidad
Viscosidad
Dao
50.00
162.50
275.00
387.50
500.00

Estimacin Probabilista del Gasto Inicial de Gas (Qg) Ejemplo Aplicacin al AIB
re
538.00
577.33
Kg:
0.12
0.15
0.18
0.22
0.25 0.28
0.92
0.94
0.96
656.00
0.99
1.01 1.03
g:
3,800.00
0.02
0.02
Pwf (punto de prueba):
1,056.00
616.67
Z:
Pr:
2,200.00
Ejemplo: Pozo Vertical Fracturado
T:
2,204.00
0.02
0.02
0.02 0.02
30.00
35.05
40.10
45.15 50.00
Percentiles Qo
Percentile
(MMPCGD)
0%
0.78
10%
1.32
20%
1.48
30%
1.62
40%
1.75
50%
1.89
60%
2.03
70%
2.19
80%
2.4
90%
2.68
100%
4.82

Estimacin Probabilista del Gasto Inicial de Produccin

Modelo 1: Basado en la desviacin histrica de los estimados de Qo.
El modelo se basa en la determinacin del error histrico partiendo de la premisa de que
la forma de estimacin empleada en el pasado se continuar utilizando en el futuro.
probablis tico ( BPD )
Qo(BPD)
.147
.110
.074
.037
.000
50.00
175.00
300.00
425.00
550.00
Qo determins tico * 1
Pozo
o o
Qplan
Qp
a
Qreal
Q
ea
%Desv.
%
es
Pozo 1
9000
-100.00
Pozo 2
7000
3671
-47.56
Pozo 3
3400
2040
-40.00
Pozo 4
7592
4804
-36.72
Pozo 5
4630
2930
-36.72
Pozo 6
8750
6137
-29.86
Pozo 7
5400
4098
-24.11
Pozo 8
7100
5399
-23.96
Pozo 9
9000
8468
-5.91
Pozo 10
6300
6455
2.46
Pozo 11
10500
11089
5 61
5.61
Pozo 12
9350
10207
9.17
Pozo 13
9000
10245
13.83
Pozo 14
4500
6151
36.69
% Error Historico
100
% Error Histrico
Qreal Qplan
Qplan
Distribucin Probabilstica del

% Error Histrico o Desviacin
.080
Probabilidad
Qoi
.060
.040
.020
.000
-113.79
-75.19
-36.59
2.01
40.61

Estimacin Probabilista del Gasto Inicial de Produccin

Modelo 1: Basado en la desviacin histrica de los estimados de Qo.
El estimado del Ingeniero de Yacimientos, sobre el Gasto Inicial que tendr el Pozo
RRM 2572, a perforarse dentro de dos meses se resume como sigue:
Gasto Inicial Planificado Pozo RRM 2572: 5320 BPD
Tipo de Pozo:
Po o Desviado
Des iado
Tipo de Actividad: Perforacin
Objetivo Planificado: KI
Este estimado fue realizado con el mtodo de la IPR Futura usado consistentemente
para estas estimaciones.
En el archivo Ejemplo No 12 - Clculo Qo Mtodo 1 - Desviacin Histrica encontrar
informacin histrica sobre pozos perforados en el pasado, en los cuales se utiliz el
mismo
i
mtodo
d de
d estimacin
i
i para ell Gasto
G
I i i l Con
Inicial.
C
b
base
en esta informacin
i f
i
determine:
Distribucin de Probabilidades para el Gasto Inicial del Pozo RRM 2572.
Probabilidad de terminar el pozo en el objetivo planificado.
Probabilidad de terminar en otro objetivo.
Ver Ejemplo No. 12 Clculo Qo Mtodo I Desviacin
Histrica.xls

Estimacin Probabilista del

Pronstico o Perfil de Produccin

Estimacin Probabilista del Pronstico o Perfil de Produccin

El perfil de produccin probabilstico en el ciclo de vida til del pozo se obtiene a partir
de un g
gasto inicial de tipo
p p
probabilstico,, q
que declinado a una velocidad equivalente
q
al
factor (D), se convierte en una banda de valores probables de produccin, como el
que se muestra a continuacin:
Banda de Produccin Pozo

3000
Q(t) - BPD
2500
2000
1500
1000
500
0
0
Aos
Q10%
Factor de Declinacin (D)
Q Media
Q90%
10

Histrico Comportamiento de Produccin Pozos
D1: Declinacin 1
Modelo Probabilista Pronsticos de Produccin - Pozos
D2: Declinacin 2
Perfil de Produccin de Gas

qsc(MMPCD))
2 00
2.00
1.80
1.60
MMPCD
1.40
1.20
P5
1.00
P50
0.80
P95
0.60
0.40
Med
ia
0.20
0.00
1
T1: Periodo de D1
10
11
12
13
14
15
T2: Periodo de D2
Cotejo de Pronsticos de Produccin con Pozos Nuevos
Estimacin Probabilista del Pronstico de

Produccin (Q(t)) Ejemplo Aplicacin en
el AIB

qsc(MMPCD))
2 00
2.00
1.80
1.60
Pozo 112
Un modelo de pronstico debe reproducir el

comportamiento histrico (pasado) de la
produccin, y debe cotejar con los pozos
nuevos para los que se realiz el pronstico.
MMPCD
1.40
1.20
P5
1.00
P50
0.80
0.60
P95
0.40
Med
ia
0.20
0.00
1
10
11
12
13
14
15

Estimacin Probabilista del xito o Fracaso

de la Actividad de Perforacin y Reparacin
p

Estimacin Probabilista del xito o Fracaso de la Actividad de Perforacin y Reparacin

Gasto Inicial Esperado
Binomial 1
p1=84%
Intento= 1
p1=probabilidad de
alcanzar el objetivo
Binomial 2
p2.p3=13.76%
Intento= 1
p2=probabilidad de
no alcanzar el objetivo
%Desv 2
p3=probabilidad de
completar en otro objetivo
-100.00
p2=16%
p4=14%
14%
-43.75
12.50
p4=probabilidad de
abandono
-100%
68.75
125.00
Q Lreal
Q Kplan
QKplan

Ejemplo No. 13
Parte I: Con el estimado del Gasto Inicial calculado en el Ejemplo No.9, estimar el Perfil de
Produccin del Pozo en un periodo de 10 aos.
aos
Parte II: Re-estimar el Gasto Inicial y Perfil de Produccin del Pozo en un periodo de 10 aos,
considerando ahora la probabilidad de xito o fracaso de la actividad:
En los ltimos aos, se han perforado 100 pozos en el campo R2M 142003, y es por ello que se dispone de la siguiente estadstica:
.- De 100 pozos perforados, 85 pozos fueron completados en el objetivo geolgico planificado.
.- 15 pozos fueron completados en otro objetivo geolgico.
.- De los 15 pozos completados en otro objetivo,
objetivo 5 pozos fueron abandonados,
abandonados y el resto de ellos fueron productores.
productores
% Desviacin Histrica de Pozos Completados en otro

Objetivo
M i
Mnimo
M Probable
Ms
P b bl
M i
Mximo
50
10
Lectura No.12: Pozo Probabilista Perfil de Produccin.pdf
Ver Ejemplo No. 13 Pozo Probabilista Perfil de Produccin.xls

Ejemplo Integrador II
Integrar vincular resultados de los Ejemplos No. 13 Parte I y No. 13 Parte II con la
Evaluacin Econmica mostrada en el Ejercicio Introductorio.
Introductorio
Adicionalmente, considere el siguiente historial de perforacin en la evaluacin econmica:
Historia Perforacin
12
exitos
4
fracasos
Mnimo
0.516
Mas Probable
0.75
Mximo
0.91
Renta Equipo US$/hr
17000
Calculo de
Intervalo con
RARE
Generar los siguientes resultados:

1 Distribucin Probabilstica del VPN .
1.1.1.- Media del VPN (Factor de Rentabilidad).
1.3.- Anlisis de Sensibilidad del VPN.
2 Seleccionar la mejor opcin segn Factor de Rentabilidad y Factor de Riesgo (VPN).
2.(VPN)
Ver Ejemplo Integrador II VPN Probabilista.xls
Contenido
Da 4
g
Modelo Integrado

Aplicacin

o Estimacin
st ac Probabilista
obab sta de
del xito
to o Fracaso
acaso de la
a Actividad
e o ac y Reparacin
epa ac
Reparacin
Pozos

Estimacin Probabilista de Tiempos

de Perforacin y Reparacin de Pozos

Estimacin Probabilista de Tiempos de Perforacin y Reparacin de Pozos
Manejar los riesgos de perforacin o reparacin significa no dejar

que los problemas crezcan, reducir las sorpresas.
Pega
Diferencial
Inestabilidad de
hoyo
Zona
desconsolidada
Formacin
reactiva
Vibracin de la
sarta
Acumulacin de
ripios
i i
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 p
por actividad del p
plan de p
perforacin y terminacin,, p
para lo cual debe crearse una base
de datos a partir de los registros y bitcoras de las actividades de perforacin, terminacin y
reparacin.
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.
Modelo Base
Pr(treal<tobj):44%
TT
TACT
i
63 52
63.52
102 21
102.21
140 89
140.89
Tmedia:140 das
TObjetivo:150 das
179 57
179.57
218 25
218.25
tLi
TACTi
i 1
m
p j tR
j
j 1
TACTi: Tiempo de la actividad i

m: nmero de riesgos asociados a la actividad i
tLi: Tiempo limpio (sin riesgo) de la actividad i
pj: Probabilidad de ocurrencia del riesgo Rj
tRj: Tiempo asociado al riesgo j
n: nmero de actividades de un plan de perforacin/reparacin
TT: Tiempo total de perforacin/reparacin
Catlogo de Perforacin
Base de datos (Histrica). Codificacin de
ABT
Abandono Temporal
ACE
Acondicionar Equipo
ACP
Acondicionar pozo
APB
Alinear Pozo a Batera
CCL
Corrida de Complemento de Liner
CMC
Cementar Complemento de Liner
CMT
Cementar Tubera de Revestimiento
PEF-01
Espera por transporte
CON
Cortar
C t Ncleo
N l
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
ETR
Escarear tubera y rimar boca de liner
PEF-06
Falla MWD/LWD/Motor de Fondo
EVA
Evaluacin de Formacin
PEF-07
Falla tubera
IEC
Instalar equipo de Control
PEF-08
Falla de equipo
IER
Instalacin de sub estructura recuperadora
PEF-09
Falla de compaa de servicio
IES
Instalacin de Estructura
PEF-10
Reparando Boca de Liner
ILP
Inducir y Limpiar pozo
PEF-11
q
adicional/Cambio de p
programa
g
Requerimiento
MAP
Meter Aparejo de Produccin
PEF-12
Atascamiento de tubera
MEP
Mantenimiento del Equipo Programado
PEF-13
Obstruccin en fondo
MTR
Meter Tubera de Revestimiento / Liner
PEF-14
Taponamiento de tubera
PBL
Prueba a boca de Liner
PEF-15
Pozo Fluyendo
PEF
Perforar
PEF-16
Espera por personal
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
g
Registros
PEF-20
Prestando apoyo a otra plataforma
RGI
Registro giroscpico
RTR
Registro en Tubera de Revestimiento
TIN
Toma de Informacin
Actividades y Riesgos
XXX Tiempo Limpio o productivo de la actividad
XXX-01 - Riesgo 01 de la Actividad XXX
.
.
.
PEF-34
Catlogo Perforacin
260
31
.
.
.
Espera por tubera de perforacin
Catlogo Reparacin
337
42
XXX - Actividad
XXX-01 - Riesgos


Programa de Reparacin
ACE
Acondicionar Equipo
ACP
Acondicionar Pozo
APB
AZA
Base de datos (Histrica). Muestra Representativa

Pozo1 Pozo2 Pozo 3 Pozo 4
RAP
Pozo n
Recuperar Aparejo de Produccin
46
105
78
50
30
RAP-01
Espera por Transporte
10
12
13
Aislar Zona Abierta
RAP
03
RAP-03
Pesca no programada
21
10
COP
Control de Pozo
RAP-05
Falla de Equipo
12
DAB
Desmantelar Arbol e Instalar BOPS
RAP-12
Tubera Atascada
10
13
21
DIS
Disparar
EST
Estim lar
Estimular
ILP
Inducir y Limpiar Pozo
Trisk RAP-01
MAP
p1 x
MEP
Mantenimiento Programado de Equipo
RAP
Recuperar aparejo de produccin
RDV
Reemplazar vlvula de BN
RRE
Recuperar restos de empacador
TIN
Toma de Informacin - Terminacin
TOI
Toma de Informacin
T - RAP
Trisk RAP-03
T Productive RAP
p2 x
Trisk RAP-05
p3 x
Trisk RAP-12
p4 x
63.52
102.21
140.89
179.57
218.25


Tratamiento de Actividad Perforar
se decidi normalizar los metros perforados
dada la
En el anlisis de la actividad perforar
p
p
amplitud del rango de metros profundizados en el histrico de pozos :
t efectivo
ma
ROP
ma= metros a perforar planificados
ROP (mts/hr)
.082
082
.062
.041
ROP
metros
t
_ perforados
f d
tiempo _ efectivo _ perforacion
.021
.000
1.87
3.33
4.80
6.26
7.73
tcompl
= incluye las actividades complementarias de la perforacin,

perforacin tales como: armar sarta,
sarta viajes cortos,
cortos
triesgo
= incluye las desviaciones que se han presentado y se pueden presentar en el transcurso de la
circulacin, bombeo de baches, entre otros.

perforacin.


Opinin de
Expertos
tPERFORACION
Bases de Datos de
Perforacin de
PEMEX
Base de datos de tiempos
y desviaciones a partir de
los registros y bitcoras
de las actividades de
perforacin y reparacin
mayor
Acondicionar Equipo
ACP
Acondicionar Pozo
APB
AZA
Aislar Zona Abierta
COP
Control de Pozo
DAB
Desmantelar Arbol e Instalar BOPS
DIS
Disparar
EST
Estimular
ILP
Inducir y Limpiar Pozo
MAP
MEP
Mantenimiento Programado
g
de Equipo
q p
A1
0,15
0,15
0,15
0,15
63.52
A2
0 76
0,76
0 78
0,78
0 80
0,80
0 82
0,82
0 85
0,85
102.21
10%
20%
PEF
18,50
RAP
Recuperar aparejo de produccin
RDV
Reemplazar vlvula de BN
RRE
Recuperar restos de empacador
TIN
Toma de Informacin - Terminacin
TOI
Toma de Informacin
Programa de Perforacin
19,25
20,00
16.36%
21,50
REG
An
0,93
0,95
0,96
0,98
8.40%
EST
4.67%
MTR
4.62%
RGI
179.57
30%
40%
50%
60%
218.25
70%
64.86%
ILP
20,75
140.89
tmedia = 140.31
tobjetivo = 150
Pr tperf > tobjetivo= 44 %
0%
A9
0,92
Teorema
de Bayes
0,15
ACE
Conocimiento
Genrico (Bases
de Datos de
Experiencias
Internacionales)
0.88%

RESULTADOS Estimacin Probabilista de Tiempos de Perforacin y Reparacin de Pozos
Tiempo (das)
0.00
5.00
10.00
15.00
20.00
5.2
REG
3.6
Activ
vidad
CMT
6.9
4.0
0.1
3.6
0.0
3.6
0.0
3.2
EST
20
2.0
3.1
MTR
ACE
TIN
MAP
APB
RBA
RGI
DES
Tiempo Total (das): 107
4.4
ILP
RCC
30.00
27 6
27.6
27.5
PEF
IEC
25.00
2.0
2.7
0.0
2.6
0.0
1.8
0.0
1.5
0.0
1.1
0.0
0.5
0.4
0.3
0.0
Ti
Tiempo
P
Productivo
d i (Das)
(D )
Tiempo Improductivo (Das)
Evaluacin Post-Morten por pozo.

Seguimiento Operacional
Identificacin de los tiempos productivos e
improductivos por pozo
Establecimiento del Lmite Tcnico

RESULTADOS Estimacin Probabilista de Tiempos de Perforacin y Reparacin de Pozos
Distribucin de Desviaciones
Distribucin de Tiempos Improductivos por

Actividad
0%
10%
20%
30%
40%
50%
60%
IEC-03
70%
MTR-14 , 47
RGI-08 , 9
IEC 01 , 1
IEC-01
EST-02 , 48
PEF
64.86%
ILP
16.36%
REG
8.40%
EST
4.67%
MTR
4.62%
RGI
0 88%
0.88%
REG-16 , 21
PEF-23 , 357
REG-07
REG
07 , 65
ILP-07 , 34
ILP-08
ILP
08 , 63
ILP-04 , 70
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


Cul es el Valor?
40%
36%
Probabilidad
32%
61 h
hrs
28%
124 hrs
184 hrs
24%
20%
Despus de la
mitigacin
Sin
Riesgo
16%
Antes de la mitigacin
12%
8%
4%
0%
0
Tomado de Altinex
10
20
30
40
50
60
70
80
90
100 110 120 130 140 150 160 170 180 190 200 210 220
Tiempo con Riesgo
Con la evaluacin de las medidas potenciales de mitigacin, el QRA identifica una posible reduccin en el
tiempo total requerido para llevar acabo la operacin.

Sub Modelo Probabilista de Tiempos de Perforacin y Reparacin de Pozos
Ejemplo No. 14 - Estimacin Probabilista 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 Probabilista del tiempo de la
actividad con el fin de establecer su duracin y riesgos,
actividad,
riesgos y proponer luego los planes de mitigacin de los riesgos
identificados.
A continuacin se presenta el plan de actividades:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Codigo
Actividad
DES
DEB
COP
DAB
ICR
RAP
PEE
MOE
RRE
PEF6-1/2"
ETR7-5/8"
RTR
RGI
MAP
RBA
ILP
APB
EST
TIN
DES Deslizar
DEB - Desmantelar bajantes
COP - Control de Pozo
DAB - Desmantelar rbol e Instalar BOPS
ICR - Instalar cabezal rotatorio
RAP - Recuperar aparejo de produccin
PEE - Pescar Empacador
MOE - Moler empacador
RRE - Recuperar restos del empacador
PEF Perforar
ETR - Escarear tubera y Rimar boca de liner
RTR - Registros en tubera de revestimiento
RGI - Registro giroscpico
MAP - Meter aparejo de produccin
RBA - Retirar BOP's e Instalar Arbol de Produccin
ILP - Inducir y Limpiar pozo
APB - Alinear Pozo a Batera
EST Estimulacin
TIN - Toma
T
de
d Informacin
I f
i - Terminacin
T i i
Objetivo General
Dimetro
Metros
a Perforar
Prolongar la vida productiva del pozo mediante

la profundizacin en la formacin Cretcico
Inferior
VALVULA DE
TORMENTA DE 7"
135.32 MD
T.R. 16"
800.00 MD
RESISTENCIA ENCONTRADA
A 1200.54 M EN TR. 11 7/8",
PAS MOLINO DE 10 1/4",
PERO NO DE 10 1/2".
SE SUBI B.L. DE 9 5/8" EN
VEZ DE PROG. A 1750 M
0
.6
91
10
.9
B.L
6-1/2"
7-5/8"
7-5/8"
200
D
M
"
5/8
1
.5
59
17
0
.0
44
18
",
1/2
5
DE
IL 3/4"
DR IO
AN
M IFIC
OR
11
D
M
0
.0
01
20
D
M
4
.4
94
21
TR
D
M
0
.0
78
22
"
7/8
"
/8
R 95
DO TE
8"
CA EN
5/8
PA AN
.7
EM RM
B.L
PE
TR
D
M
D
M
"
5/8
9
62
-2
75
25
0
.0
35
. 26
P.I
TR
"
5/8
.
P.T
D
M
D
M
65
26
66
25
D
M
0
.0
64
26
V
M
D
M
Determinar:
1.- Distribucin Probabilstica del Tiempo Productivo.
2.- Distribucin Probabilstica del Tiempo Total con Riesgo
Ver Ejemplo No. 14 Pronstico Tiempo Reparacin.xls

Estimacin Probabilista de Costos de

Perforacin y Reparacin
p
de Pozos

Estimacin Probabilista de Costos de Perforacin y Reparacin de Pozos

Este modelo parte del anlisis estadstico del comportamiento histrico del costo; y genera una
distribucin probabilstica de todos los posibles valores de costo que podra tener el trabajo de perforacin
y terminacin. Se alimenta del modelo de tiempos.
La salida de este modelo se incorpora al modelo econmico en forma de inversin inicial.
Modelo Base
Cmedia: 10 MMUSD
Cplan: 15 MMUSD
Cclasei
(TTOTAL C _ clase(T ) i ) CF _ clasei
CTotal : Costo Total de la Perforacin

Cclasej: Costo Total del Costo Clase j
C_clase(T)i: Costo Clase i; normalizado o por unidad de
tiempo
TTotal: Tiempo Total Planeado
CF l
C t no dependientes
d
di t d
CF_clase
dell ti
tiempo
i: Costos
n: Nmero Total de Pozos
i: Costo Clase por Pozo
Pr(Creal>Cplan): 70%
Cmax: 19 MMUSD

Evaluacin Econmica y Jerarquizacin

de Proyectos de Perforacin y
R
Reparacin
i d
de P
Pozos

Evaluacin Econmica y Jerarquizacin de Proyectos de Perforacin y Reparacin de

Pozos
Ingresos
1. Estimacin Probabilista Gasto Inicial de Produccin (Qo)

2 Estimacin Probabilista del Pronstico o Perfil Produccin (Q1,, Q2,, Q3,, ... Q20)
2.
Inversin Inicial
Egresos
3. Estimacin Probabilista del Costo de Perforacin

4. Costos de Produccin y Mantenimiento
5. Estimacin Probabilista del Riesgo (Egresos Potenciales por Fallas)
Qo x Precio de Venta
VPNE
VPN
E
Factor
de Rentabilidad
Factor
Rentabilidad
Qi x Precio de Venta
.094
Ingresos
VPN
.071
.047
.024
Costos de Produccin
.000
-3,000.00
-500.00
2,000.00
4,500.00
7,000.00
Pr (VPN<0)
Pr(VPN<0)
Factor de Riesgo
Factor de Riesgo
Egresos
Riesgo (Ri)
(egresos potenciales por fallas)
Capex
Horizonte
econmico
t=n meses


Pozos
Anlisis de Sensibilidad del VPN
VPNE
VPN
E
Factor
de Rentabilidad
Factor
Rentabilidad
VPN
80000000.00
.094
VPN
.071
Probabilidad de alcanzar el objetivo

Costo Variable (Dls/barril de petroleo)
Precio de Venta del Gas (Dls/mpcd)
.047
Costo Perforacin
90000000.00
100000000.00
-3,000.00
-500.00
2,000.00
4,500.00
7,000.00
4.93
7.46
1031389.83
923335.28
+85%
-100%
85
92
92
Disponibilidad del Pozo
98
87%
MOV (horas)
Pr (VPN<0)
Pr(VPN<0)
Factor de Riesgo
F t de
Factor
d Riesgo
Ri
130000000.00
2.100
2.345
Tiempo de Aparicin Frente de Agua

.000
120000000.00
0.9
% Error Gasto.
.024
110000000.00
0.75
5.49
MOV-01 (horas)
22.70
MOV-06
MOV
06 (horas)
T i e m p o P r o d u c t i v o ( D a s )
50 .0
M989
M291
M389
55 .0
6 0 .0
56 .7 8
20 8 .0 3
27 .0 1
2 4 .7 4
M380
29.25
M340
65.11
35 .6 7
1 9 .0 1
M787
1 7 .7 6
M622
3 2 .7 0
M239
M945
1 6 .0 3
1 7 .5 1
1 6 9.0 4
144.14
11 0 .0 7
9 0 .5 7
79 .4 3
8 5.5 4
67.46
6 8 .23
17.13
66.81
C O P (h o ra s )
1 7.3 8
64.74
M190
M154
16.89
2 6 .0 9
20.64
71%
14 3 .8 5
78%
85%
92%
99%
150.78
M696
M816
7 5 .0
2 61 .6 0
46 .5 2
M348
M537
7 0 .0
47 5 .7 0
M670
M249
6 5 .0
112.60
Portafolio de Acciones de
Mitigacin del Riesgo
TR
Vlvula BN
Lnea de Flujo
Empaque
56.25
62.45
54 .2 2
M748
6 .4 8
38 .7 7
T O I (h o ra s )
5 .5 5
35 .9 2
Libranza
Downside
Upside


Pozos
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
VPN Proyecto D
.099
.074
Frontera optima
sin restricciones
.049
.025
.000
-22,500.00
-15,625.00
-8,750.00
-1,875.00
Riesgo creciendo
5,000.00
Factor Rentabilida
ad VPNE
VPN Proyecto C
.085
.064
.042
.021
.000
-10000.00
3750.00
17500.00
31250.00
45000.00
VPN Proyecto B
.094
.094
.071
.071
.047
.047
.024
Frontera optima
con restricciones
VPN
decreciendo
.024
.000
-3,000.00
3 000 00
.095
-500.00
500 00
2 000 00
2,000.00
4 500 00
4,500.00
7 000 00
7,000.00
VPN Proyecto A
-3,000.00
.071
.048
.000
-2500.00
15000.00
32500.00
-500.00
2,000.00
4,500.00
7,000.00
VPNE
Factor Rentabilidad
Pr(VPN<0
Factor de Riesgo
.024
-20000.00
.000
Factor de Riesgo =Prob(VPN 0)
50000.00
Factor de Riesgo: probabilidad de que el VPN sea

menor que 0 (rea azul) y coordenada x de cada
proyecto.
Factor de Rentabilidad: media, esperanza

matemtica o valor esperado de la distribucin del
VPN (VPNE), y coordenada y de cada proyecto.

Ejemplo Integrador III

Integrar Vincular resultados de los Ejemplos No. 13 Parte II y No. 14 con la Evaluacin
Econmica mostrada en el Ejemplo
j p Introductorio.
Considerar los siguientes historiales de perforacin para tres empresas distintas
Empresa Perforacin 1
Historia
90
exitos
10
fracasos
Renta Equipo
10000
(US$/hr)
Historia
15
exitos
1
fracasos
Renta Equipo
11000
(US$/hr)
Historia
12
exitos
4
fracasos
Renta Equipo
9000
(US$/hr)
Generar los siguientes resultados:

1.- Distribucin Probabilstica del VPN para cada empresa.
1.1.- Media del VPN (Factor de Rentabilidad).
1.3.- Anlisis de Sensibilidad del VPN.
2.- Jerarquizacin y seleccin de la mejor opcin.
Ver Ejemplo Integrador III Jerarquizacin Empresas Perf.xls
Da 5
Sub Modelo Probabilista de Instalaciones

Caso de Estudio

Modelo Probabilista de Evaluacin Econmica y Jerarquizacin de Escenarios de
Explotacin

El objetivo fundamental de ste modelo es vincular la confiabilidad de la exploracin;
perforacin y administracin de los yyacimientos p
p
petrolferos;; con la confiabilidad de las
instalaciones de superficie construidas para manejar el producto que proviene del subsuelo.
El Modelo de Instalaciones se fundamenta en una simulacin conocida como Simulacin
RAMP ((Reliability,
y, Availability,
y, Maintainability
y and Process)) la cual p
permite p
pronosticar la
produccin perdida y la indisponibilidad de un proceso de produccin, de acuerdo a su
configuracin, a la confiabilidad de sus componentes, a las polticas de mantenimiento, al
recurso disponible y a la filosofa operacional.
Perfil de Produccin
Probabilsta
Probabilistic
Production
Profile
14,00
90%
10,50
7,00
50%
3,50
0%
0,00

Anlisis RAM Modelo

General
Conocimiento Previo
Informacin
Genrica de Fallas y
Reparaciones
(Oreda, Parloc, Well
Master, IEEE)
+
Evidencia (Datos
propios de Fallas y
Reparaciones)
Simulacin de Procesos (Balance de

Fluidos, Presiones , Temperaturas, etc)
Modelaje DBD
(Diagrama de Bloques de Disponibilidad)
Tasa de Fallas y
Reparaciones
Actualizadas
RAPTOR 7, RAMP, MAROS etc

Anlisis RAM
CASO ESTUDIO
ANLISIS DE CONFIABILIDAD, DISPONIBILIDAD Y MANTENIBILIDAD

(RAM) DE LA PLATAFORMA AKAL C4 DEL ACTIVO INTEGRAL
CANTARELL
VER: Caso de Estudio No 1
Da 5

Caso de Estudio

Explotacin
Sub Modelo Probabilista del Perfil de

Produccin de un Escenario de Explotacin

Sub Modelo Probabilista del Perfil de Produccin basado en los Sub Modelos de Pozos
Tipo y Movimiento de Equipos

BANDA
Pozo Tipo 2
Pozo Tipo 1
qsc(MMPCD))

qsc(MMPCD))
0.45
14,00
0.35
0.40
0.30
0.35
0.25
0.25
P50
P95
0.20
90%
P5
P5
MMPCD
MMPCD
0.30
0.20
P50
P95
0.15
Media
Media
10,50
0.15
0.10
0.10
0.05
0.05
0.00
0.00
1
7,00
50%
Pozo Tipo 4
Pozo Tipo 3
Perfil de Produccin de Gas (Qg(pcd)
Perfil de Produccin de Aceite (Qo(bpd))
3,50
10,000.00
35.00
9,000.00
0%
30.00
8,000.00
7,000.00
20.00
P5
P50
15.00
P95
Media
10.00
pcd
p
bpd
b
25.00
6,000.00
P5
5 000 00
5,000.00
P50
P95
4,000.00
0,00
0 00
Media
3,000.00
2,000.00
5.00
1,000.00
0.00
0.00
1
10
11
12
13
14
15
10
11
Perforacin
Movimiento de Equipos
Reparacin
12
13
14
Ao 1
Ao 5
Ao 10
Pozo Tipo 1
Pozo Tipo 2
Pozo Tipo 3
Pozo Tipo 4
15
Ao 15
Ao 20
Ao 25
El modelo se basa en asignar a cada localizacin contemplada en la Actividad Calendarizada

o Movimiento de Equipos un comportamiento tipificado en alguno de los Pseudo Pozos o
Pozos Tipo previamente modelados y cotejados.

Ejemplo No. 15 - Pronstico de Produccin Basado en Pozos Tipo y Movimiento de Equipos
Trabajando en Equipos de 3 personas, generar el Pronstico de Produccin del Activo Integral, con los
Pozos Tipo mostrados en las tablas anexas y la actividad calendarizada propuesta.
Pozos Tipo
Nombre Pozo
Tipo Productividad
Pozo Tipo 01
Pozo Tipo 02
Pozo Tipo 03
Pozo Tipo 04
Qo Gasto Inicial (BPPD)

Mnimo
Mximo
Media
79.254
210.433
128.164
108.607
469.23
208.782
94.291
617.224
246.832
143.106
653.171
271.872
Probabilidad de xito de la Actividad

Desv Std Mnimo Ms Probable
Desv.Std
Mximo
Media
25.507
0.95
0.99
1
0.985
63.923
0.95
0.99
1
0.985
86.744
0.95
0.99
1
0.985
92.423
0.95
0.99
1
0.985
Nombre
N
b Pozo
P
Tipo Productividad
Pozo Tipo 01
Pozo Tipo 02
Pozo Tipo 03
p 04
Pozo Tipo
T1 (Aos)
(A )
Mnimo Ms Probable Mximo
15.000
18.000
20.000
15.000
18.000
20.000
15.000
18.000
20.000
15.000
18.000
20.000
Media
17.833
17.833
17.833
17.833
Desv.Std
0.833
0.833
0.833
0.833
Mnimo
0.752
0.752
0.752
0.752
Desv.Std
Desv
Std Mnimo
0.008
0.176
0.008
0.176
0.008
0.176
0.008
0.176
CCosto
t (Inversin)
(I
i ) Perforacin
P f i (MMU$$)
Ms Probable Mximo Media Desv.Std
1.566
2.940
1.659
0.365
1.566
2.940
1.659
0.365
1.566
2.940
1.659
0.365
1.566
2.940
1.659
0.365
Actividad Calendarizada o Movimiento de Equipos

Ao
No. Pozos Tipo 1
No. Pozos Tipo 2
No. Pozos Tipo 3
No. Pozos Tipo 4
1
2.000
2.000
2
2.000
2.000
2.000
2.000
3
2.000
4
2.000
2.000
Ver Ejemplo No 15 - Pronstico Escenario de Explotacin
10
D1 (Declinacin 1 Fraccin Anual)

Ms Probable Mximo Media
0.186
0.196 0.186
0.186
0.196 0.186
0.186
0.196 0.186
0.186
0.196 0.186
Desv.Std
Desv
Std
0.003
0.003
0.003
0.003

Sub Modelo Probabilista del Perfil de Produccin basado en los Sub Modelos de Pozos
Tipo y Movimiento de Equipos
CASO ESTUDIO
SIMULADOR DE SECUENCIA OPTIMA DE INTERVENCIONES A POZOS (SSOIP 2.0)


Sub Modelo Probabilista del Perfil de Produccin basado en Simulacin Numrica de

Yacimientos
h
h
k
?h
Modelo de Simulacin de Yacimiento
Ps(t)
Pws
Pwf(t)
PERFIL
BANDA DE
DE PRODUCCION
PRODUCCION DEL
DEL YACIMIENTO
YACIMIENTO
Capas abiertas a flujo
14,00
90%
10 50
10,50
7,00
50%
3,50
0%
0,00
Pozo 1
Es mejor un modelo con incertidumbre que una ilusin de la realidad

Journel

Sub Modelo Probabilista del Perfil de Produccin basado en Simulacin Numrica de

Yacimientos
CASO ESTUDIO
ANLISIS DE LA INCERTIDUMBRE DEL PRONSTICO DE PRODUCCIN GENERADO

POR SIMULACIN NUMRICA (MODELO DINMICO) DE YACIMIENTOS, EN EL
MARCO DE PROYECTOS DE EXPLOTACIN UN ENFOQUE PRCTICO.
PRCTICO
Da 5

Caso de Estudio

Explotacin
Modelo Probabilista de Evaluacin Econmica

y Jerarquizacin de Escenarios de
E l t i
Explotacin

Modelo Probabilista de Evaluacin Econmica y Jerarquizacin de Escenarios de Explotacin
Modelo Probabilista de Evaluacin Econmica de Escenarios de Explotacin

DISPONIBILIDAD
COSTO UNITARIO RARC($)
0.83
0.85
0.88
0.90
0.92
394,997.92

qsc(MMPCD))

qsc(MMPCD))
642,500.00
766,251.04
890,002.08
782,307.90
869,231.00
1,130,000.30
GASTOS
14,00
0.35
0.40
518,748.96
BANDA
P
Pozo
Tipo
Ti 2
Pozo Tipo 1
0.45
COSTO MANT. PLANTAS ($)
0.30
0.35
0.25
P50
P95
90%
P5
P5
0.25
0.20
MMPCD
MMPCD
0.30
0.20
P50
10,50
P95
0.15
Medi a
Medi a
0.15
VPN E : FACTOR RENTABILIDAD
0.10
0.10
0.05
0.05
0.00
0.00
1
7,00
Perfil de Produccin de Gas (Qg(pcd)
Perfil de Produccin de Aceite (Qo(bpd))
3,50
10,000.00
9,000.00
30.00
0%
8,000.00
25.00
7,000.00
20.00
P5
P50
15.00
P95
Media
10.00
pcd
bpd
PRECIO ($/BLS)
50%
Pozo Tipo 4
Pozo Tipo 3
35.00
6,000.00
P5
5,000.00
P50
P95
4,000.00
0,00
Media
3,000.00
2,000.00
12
5.00
1,000.00
0.00
X
13
14
15
16
0.00
1
10
11
12
13
14
15
Movimiento de Equipos
Ao 1
Ao 5
Ao 10
Perforacin
Pozo Tipo 1
Pozo Tipo 2
Reparacin
Pozo Tipo 3
Pozo Tipo 4
10
11
12
13
14
15
Ao 15
Ao 20
Ao 25
.094
I
N
G
R
E
S
O
S
VPN
.071
SIPEP
.047
.024
.000
-3,000.00
-500.00
2,000.00
4,500.00
7,000.00
Pr(VPN<0)=24.25%
FACTOR DE RIESGO
INVERSIONES
COSTO POZO PROD (MM$)
INVERSION PLANTAS (MM$)
9.75
10.38
11.00
11.63
12.25
INVERSION LINEAS ASP (MM$)
0.78
0.83
0.89
0.94
1.00
1.15
1.23
1.32
1.40
1.48
PROBABILIDAD DE EXITO
REHAB. PRODUCTORES
0.69
0.72
0.75
0.78
COSTO POZO INY (MM$)
1.59
1.71
1.83
1.94
2.06
PROBABILIDAD DE XITO
EN REHAB. INYECTOR
0.81
0.49
0.52
0.55
0.58
0.61


La hoja de Evaluacin Econmica utilizada por la organizacin de
g
Planeacin de cada uno de los Activos ser el elemento final integrador
de los diversos perfiles Probabilistas generados en los sub-modelos
previamente descritos.
Plantillas Excel del MIAc: Valores de Entrada

Di t ib id
Distribuidos.
Modelo de Evaluacin Econmica manejado por

Planeacin del Activo Integral.
Plantilla Excel Base: Valores de Salida Distribuidos.

Ejercicio Integrador IV Evaluacin Econmica Probabilista de Escenarios

de Explotacin
I t
Integrar
los
l resultados
lt d del
d l Ej
Ejemplo
l N
No. 15 con lla H
Hoja
j d
de E
Evaluacin
l
i
Econmica del Activo Integral

Modelo de Jerarquizacin de Escenarios de Explotacin

Matriz Rentabilidad Riesgo
Fac
ctor Rentabilidad (Med
dia VPN)
48,000.00
46,000.00
Esc 16
44,000.00
Esc 4
Esc 14
42,000.00
40,000.00
38 000 00
38,000.00
36,000.00
Esc 9
Esc 10
Esc 6
Esc 3
Esc 7
Esc 11
Esc
Esc25
Esc 12
Esc 8
Esc 13
Esc 15
Esc 1
34,000.00
32,000.00
30,000.00
0.00
2,000.00 4,000.00 6,000.00 8,000.00 10,000.00 12,000.00 14,000.00 16,000.00 18,000.00 20,000.00
Factor de Riesgo (Desv Estd VPN )

Modelo de Jerarquizacin de Escenarios de Explotacin

Matriz Boston con Riesgo
0.5
Eficiencia de la Inversin (V
VPN/VPI)
0.48
0.46
Esc 16
0.44
Esc 14
Esc 8Esc 11
0.42
Esc 3
Esc 2 Esc
Esc 910
Esc 5
Esc 12
0.4
0.38
Esc 13
0.36
Esc 7
Esc 1
Esc 4
Esc 6
0.34
0.32
0.3
35,000.00
40,000.00
45,000.00
Valor Esperado del VPN (MMPesos)
Esc 1
Esc 2
Esc 3
Esc 4
Esc 5
Esc 6
Esc 7
Esc 8
Esc 9
Esc 10
Esc 11
Esc 12
Esc 13
Esc 14
Esc 15
Esc 16
...En una poca de cambios permanentes,

el futuro
f
pertenece a los que siguen
aprendiendo...
...los q
que ya
y aprendieron,
p
,
se encuentran equipados para vivir
en un mundo que ya no existe.
Eric Hoffer

Análisis R&I en Proyectos FEL-VCD PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Análisis R&I en Proyectos FEL-VCD PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Taller de Anlisis de Riesgo y Administracin de la

Incertidumbre en el Marco de la Metodologa FEL VCD

PERFIL DE PRODUCCION DEL YACIMIENTO

Conceptos Bsicos: Incertidumbre, Riesgo y Anlisis de Riesgo, Decisin, Estadstica

Influencia del Tamao de la Muestra en el clculo de la probabilidad p

Variables Aleatorias - Parte I

Influencia del Tamao de la Muestra en el clculo de las estadsticas - Promedio

Variables Aleatorias Parte II

Operaciones con Variables Aleatorias

Sensibilidad Tipo I: Contribucin a la Varianza y Correlacin por Ranking

Sensibilidad Tipo II: Grfico de Tornado y Grfico de Araa

o Correlacin o Dependencia Probabilista

Fundamentos de Anlisis Financiero

Herramienta Computarizada para la Estimacin Probabilista de Volmenes y Reservas - Casos de

Modelo Integrado del Activo (MIAc) Parte II

Modelo Integrado del Activo (MIAc) Parte III

Caso de Estudio Anlisis RAM Plataforma de Produccin

Modelo Integrado del Activo (MIAc) Parte IV

Caso de Estudio Simulacin SSOIP

o Basado en Simulacin Numrica de Yacimientos (Modelo Dinmico)

Incertidumbre del Pronstico Generado por Simulacin

Modelo Integrado del Activo (MIAc) Parte V

Influencia del Tamao de la Muestra en el clculo de la probabilidad p

Variables Aleatorias - Parte I

Sin incertidumbre, no hay riesgo

Ra(t) = pa(t) x ca(t)

Anlisis de Riesgo y Administracin de la Incertidumbre

Identificacin del Riesgo

Qu tan malo puede ser?

Con qu frecuencia sucede?

Cul puede ser el resultado?

Gerencia del Riesgo

El anlisis de riesgo es una ciencia de

reas del Anlisis de Riesgo

Evala la tolerabilidad a los niveles de riesgo

Establece mecanismos para explicar y

Escuela Bsica : Anlisis de Riesgo por

Escuela Avanzada: Anlisis Cuantitativo de

Herramienta Base de Anlisis: Caracterizacin Probabilstica

Anlisis de Riesgo por ndices Subjetivos de Riesgo

Se requiere evalucin, gerencia y

Anlisis Cuantitativo de Riesgo Quantitative Risk Analysis (QRA)

Se basa en la estructuracin de modelos matemticos

Resultados Probabilsticos por Pozo

El Anlisis Cuantitativo de Riesgo, aplicado a la industria del petrleo , se ha convertido en una

En el mundo real, al final, tenemos la

Las decisiones que se toman en el

Marco matemtico para predecir el futuro

La Probabilidad y la Estadstica constituyen los pilares matemticos fundamentales

IF YOU TORTURE THE DATA LONG ENOUGH

Influencia del Tamao de la Muestra en el clculo de la probabilidad p

Variables Aleatorias - Parte I

Influencia del Tamao de la Muestra en el clculo de las estadsticas - Promedio

Introduccin a la Metodologa FEL VCD

Industria del Gas y del Petrleo: Caracterizacin de Yacimientos, Mtodos de Produccin,

Introduccin a la Metodologa FEL VCD

Curva de Oportunidades de Reduccin de

Introduccin a la Metodologa FEL VCD

Influencia de las Fases de un Proyecto en el Costo de Ciclo de Vida

Introduccin a la Metodologa FEL VCD

Matriz de oportunidades y/o categoras

Continuacin del modelado detallado

Identificamos todas las posibilidades?