Académique Documents
Professionnel Documents
Culture Documents
ESTIMACIN DE LA INCERTIDUMBRE EN EL
SECTOR PETROLERO Y GASFERO
Realizado por:
Rodolfo Quijada
C.I. 5.083.706
Caracas, julio 2017
NDICE
CAPTULO I
Preguntas de la investigacin.............................................................................7
Objetivos de la Investigacin.............................................................................7
CAPITULO II
CAPITULO III
1. Plan de EjecucinError!
Bookmark not defined.
1
Alaneme, Charles Ezemonye and Igboanugo, Anthony Clement; A Fuzzy-Logic Theoretic Approach to Modelling Marginal Oilfield
Risks; Research Journal of Applied Sciences, Engineering and Technology 6(4): 557-567, 2013
2
Zadeh, L.A.: 2002. Toward a perception based theory of probabilistic reasoning with imprecise probabilities, Journal of Statistical
Planning and Inference. 105. pp. 233 264.
3
Ibidem; p. 236
[...] la ms importante desventaja de la teora de probabilidades consiste en que
no posee la capacidad para procesar informacin basada en la percepcin, la
sensacin, la expectativa; esto debido a que la teora de probabilidades no cuenta
con mecanismos para representar el significado de las percepciones, y computar
dichas representaciones.
Objetivos de la Investigacin
Objetivo General
ESTIMAR LA INCIDENCIA DE LA MATEMTICA DE LA INCERTIDUMBRE EN
EL EN EL SECTOR PETROLERO Y GASFERO
Objetivos Especficos
1.- Explorar los fundamentos de la teora de la incertidumbre en cuanto a la evolucin y los
cambios en el sector petrolero y gasfero.
Justificacin de la Investigacin
Justificacin Terica
El conocimiento prctico y concreto de la metodologa borrosa permitir describir y
formalizar la realidad petrolera y gasfera en forma integral, empleando escenarios y
modelos flexibles que interpreten las leyes que rigen el comportamiento humano y las
relaciones entre los hombres en ambientes complejos y de incertidumbre. En tal sentido,
debido a la inexistencia de modelos de clasificacin de incertidumbre petrolera y gasfera
basados en lgica borrosa, y gracias a su adaptabilidad, eficiencia computacional y fcil
comprensin, se propone esta herramienta como til y adecuada para ser aplicada en el rea
de hidrocarburos
Justificacin Prctica
Tarrazo (2001, p.43) sugiere las siguientes razones fundamentales para el uso de la
teora de conjuntos borrosos en petrleo y gas.
Razn numrica. Siempre existen errores de medicin. La correccin de errores puede ser
crtica en algunas reas, pero en las ciencias inexactas como del petrleo y del gas, siempre
se tendr que vivir con aproximaciones.
Razn probabilstica. La teora estadstica es frecuentista, y no aborda el cambio y la
dependencia estructural futura de las variables que inciden sobre la ciencia del petrleo y
del gas. La lgica borrosa evita la perdida de informacin que se produce con el uso de
mtodos estadsticos que realizan manipulacin numrica, puesto que trabajan con
promedios, ocultando los valores extremos.
Razn terica. Los modelos petroleros y gasferos son representaciones aproximadas de la
realidad, a diferencia de los modelos usados en la fsica o la mecnica. Segn Sen (2004,
p,597), de poco sirve realizar representaciones extremadamente precisas de un concepto
identificado como incierto o borroso.
Razn informacional. Los objetos probabilsticos de la gran mayora de modelos modelos
petroleros y gasferos prevalecientes no incorporan informacin cualitativa de gran valor.
La lgica borrosa permite abandonar la nocin preconcebida respecto a la manera en que
los datos deben comportarse, permitiendo entender que las decisiones petroleras y gasferas
no estn afectadas por la diferencia entre el valor actual de la variable que se observa y
algn valor terico normativo de equilibrio. La lgica borrosa permite superar el simplista
enfoque aristotlico para la nocin de equilibrio (estas o no en equilibrio), para concebirlo
como una paradoja que presenta grados de pertenencia hacia las esquinas del equilibrio y
desequilibrio absolutos, los extremos ideales que no siempre se alcanzan. Esto permite
entender que la realidad petrolera y gasfera transcurre entre estos dos opuestos la mayor
parte del tiempo.
Razn conductual. Los seres humanos poseen racionalidad limitada y son proclives al error,
lo cual separa las predicciones de los modelos exactos y de equilibrio general, de las
observaciones de los hechos. A diario, los datos petroleros y gasferos muestran los
patrones de conducta de los agentes, los cuales sintetizan el grado de borrosidad y asimetra
de los impulsos neuronales de los agentes humanos.
Razn cognitiva. Los seres humanos estn naturalmente dotados para gestionar la
imprecisin y la incertidumbre no frecuentista pero si, perceptible y valuable mediante
sensaciones.
Estas razones justifican que en la mayora de problemas de gestin en la
incertidumbre, los agentes de decisin no necesitan medir con precisin infinitesimal.
Justificacin Metodolgica.
El cumplimiento de los objetivos propuestos en la investigacin, se lograr
acudiendo a la utilizacin de las tcnicas de investigacin que ms se ajusten al tema sujeto
de anlisis, como son las encuestas, a los expertos en materia de hidrocarburos, entrevistas
a personas de organismos estatales y privadas relacionadas con el sistema petrolero y
gasfero mundial y venezolano; observacin directa en los procesos petroleros y gasferos,
el manejo de estadsticas que permita cuantificar y cualificar variables socioeconmicas,
petroleras y gasferas, las cuales ayudarn a describir en forma integral los problemas
presentados en la realidad petrolera y gasfera, y lo ms importante que permitir
argumentar que los hechos petroleros y gasferos no son ciertos o falsos del todo, no son
verdades absolutas, sino polivalentes y en cierto modo relativas y, a la vez comprender que
la verdad en petrleo y gas tiene varias posibles interpretaciones, dependiendo del
observador, de sus prejuicios, de su situacin y de su momento histrico.
CAPTULO II
MARCO TERICO
Antecedentes de la Investigacin
Bases Tericas
Planteamiento onto epistemolgico
CAPTULO III
MARCO METODOLGICO
Tipo de Investigacin
PREGUNTAS DE LA INVESTIGACIN
EN QUE MEDIDA SE
CMO ES?
QUE HAY ? CORRESPONDE Y
CALES SON ? EXPLICA?
NIVEL NIVEL
NIVEL
APREHENSIVO COMPRENSIVO
Incertidumbre PERCEPTUAL
Se intenta estudiar el evento desde Relaciona caractersticas y Toca el campo de las Estimacin
en el sistema lo ms evidente y manifiesto de sus reinterpretar las observaciones para explicaciones las cuales con
caractersticas para permitirse percibir o captar en el evento de permiten anticipar heramientas
financiero
captar con la mayor fidelidad posible estudio aspectos o cualidades que no situaciones y tambin borrosas
venezolano las manifestaciones del evento se aprecian en una primera planificar o desarrollar
impresin. Abarca el campo del propuestas de
anlisis y de la interpretacin. transformacin.
OBJETIVOS DE LA INVESTIGACIN
Figura N 1
Niveles de los objetivos
(Elaboracin propia a partir de Hurtado de Barrera, Jacqueline (2010))
As, de acuerdo con lo anterior planteado est investigacin se compone de cuatro
fases, donde cada fase corresponde a cada objetivo especfico, que conlleva a un proceso
continuo y progresivo de los otros tipos de investigacin que obliga a haber transcurrido los
otros niveles y fases precedentes. As, en primera fase el tipo de investigacin es
exploratoria (consiste en la aproximacin a un evento poco conocido y permite
familiarizarse con las situaciones y los contextos para abrir camino hacia otro tipo de
investigacin ms compleja), en segunda fase el tipo de investigacin es descriptiva
(consiste en la identificacin de las caractersticas del evento en estudio), en tercera fase el
tipo de investigacin es analtica (pretende encontrar pautas de relacin internas en un
evento para llegar a un conocimiento ms profundo de ste, que la mera descripcin) y la
ltima fase el tipo de investigacin es explicativa (comprender las relaciones entre
distintos eventos, se interesa por el "por qu" y el "cmo" de los eventos o las situaciones).
Diseo de la Investigacin
El diseo se refiere al plan o estrategias concebidas para obtener la informacin a
conocer del objeto de estudio. Una vez elegido el tipo y alcance de tu investigacin,
planteado el problema procede elegir el diseo, que ser el que permitir dar respuesta a las
preguntas que has planteado y cumplir con los objetivos del estudio.
Partiendo de que la investigacin ha sido definida como exploratoria, descriptiva,
analtica y explicativa, las dos primeras se consideran como una investigacin no
experimental ya que este diseo de investigacin se realiza sin manipular deliberadamente
variables. Lo que normalmente se hace en la investigacin no experimental es observar
fenmenos tal y como se dan en su contexto natural, para despus analizarlos. (Hernndez
et al., 1991, p.160). Las investigaciones no experimentales de acuerdo a su dimensin
temporal en el que se recolectarn los datos en esta investigacin, se clasificarn en
transeccional y en longitudinal o evolutivos.
Por otro lado, la investigacin analtica y explicativa, se consideran como una
investigacin experimental, ya que se pretende establece las causas de los eventos, sucesos
o fenmenos que se estudian (Hernndez et al, 2010) y tiene como fundamento la prueba de
hiptesis y busca que las conclusiones llevan a la formulacin o al contraste de leyes o
principios cientficos. Son aquellas investigaciones en que el investigador se plantea
estudiar el porqu de las cosas, hechos, fenmenos y se analizan causas y efectos (Bernal,
2010).
Cronograma de actividades
Meses
Semana Sep. Oct. Nov. Dic. Ene.
Actividades 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Meses
Semana Sep. Oct. Nov. Dic. Ene.
Actividades 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Elaboracin
del
marco terico
Recoleccin
de datos
Anlisis e
interpretacin
Conclusiones
Redaccin
del informe
1. Presupuesto de la Investigacin
Azoff, M. E. (1994). Neural network time series forecasting of financial markets. New
York: Wiley.
Becker, L. A. y Seshadri, M. (2003). Genetic programming: Evolved technical trading rules
can outperform buy and hold. Recuperado en febrero de 2016, de
http://citeseer.ist.psu.edu
Bernal, C. (2010). Metodologa de la Investigacin. Colombia. Pearson.
Bojadziev, G. y Bojadziev, M. (1997). Fuzzy logic for business, finance and management.
Singapure: World Scientific Publishing.
Buckley, J. J. (1985). Ranking alternatives using fuzzy numbers. Fuzzy Set and Systems,
15, 21-31.
(1987). The fuzzy mathematics of finances. Fuzzy Set and Systems, 21, 257-273.
y Eslami, E. (2002). An introduction to fuzzy logic and fuzzy sets. New York: Physica-
Verlag.
Carlsson, C. (1980). Fuzzy set and management methodology: Process in cyber & syst (vol.
8). New York: Hemisphere Pub.
Chanas, S. (1983). The use of parametrics programming in fuzzy linear programming.
Fuzzy Set and Systems, 11, 243-251.
Chen, S. (1995). An empirical examination of capital budgeting techniques: impact of
investment types and firm characteristics. The Engineering Economist, 40 (2), 145-
170.
y Hwang, C. L. (1992). Fuzzy multiple atribute decision making: Methods and
applications. Berlin: Springer-Verlag.
Chiu, C. Y. y Park, C. S. (1994). Fuzzy cash flow analysis using present worth criterion,
The Engineering Economist, 39 (2), 113-138.
Choobineh, F. y Behrens, A. (1992). Use of intervals and possibility distributions in
economic analysis. The Journal of the Operational Research Society, 43 (9), 907-
918.
Deboeck, G. J. (1994). Trading on the edge: Neural, genetic, and fuzzy systems for chaotic
financial markets. New York: John Wiley & Sons.
Delgado, M., Verdegay, J. L. y Vila M. A. (1989). A general model for fuzzy linear
programming. Fuzzy Set and Systems, 29, 21-29.
Dong, M. y Zhou, X. S. (2002). Exploring the fuzzy nature of technical patterns of U. S.
stock market. Singapure: IEEE.
Dourra, H. y Siy, P. (2002). Investment using technical analysis and fuzzy logic. Fuzzy Set
and Systems, 127, 221-240.
Facchinetti, G. (2001). Fuzzy expert systems: Economic and financial applications. En J.
Soldek y J. Pejas (Eds.), Advanced computer system (pp. 3-26). Norwell,
Massachussets: Kluwer Academic Publishers.
Facchinetti, G., Bordoni, S., Mastroleo, G. (2000). Bank creditworthiness using fuzzy
systems: A comparison with a classical analysis tecnique. Recuperado en noviembre
de 2015, de http://citeseer.ist.psu.edu
Facchinetti, G., Cosma, S., Mastroleo, G. y Ferretti, R. (2001). A fuzzy credit rating
approach for small firm creditworthiness evaluation in bank lending. Recuperado en
septiembre de 2005, de http://citeseer.ist. psu.edu
Facchinetti, G. y Mastroleo, G. A. (2000, april). Comparison between a score card and a
fuzzy approach for granting personal credit. Documento presentado en el Spanish-
Italian Meeting on Financial mathematics, Bilbao, Espaa.
Fernndez Sampieri, R., Fernndez, C. y Baptista, P. (1991). Metodologa de la
Investigacin. Mc Graw-Hill Interamericana de Mxico.
Franklin, A. y Karjalainen, R. (1999, February). Using genetic algorithms to find technical
trading rules. Journal of Financial Economics, 51(2), 245-271.
Gately, E. (1996). Neural networks for financial forecasting. New York: Wiley.
Gil Aluja, J. (2002). Invertir en la incertidumbre. Madrid: Pirmide.
Hernndez, R., Baptista, P. y Fernndez, C. (2010). Metodologa de la Investigacin.
Mxico. McGraw Hill.
Hurtado de Barrera, J. (2000). Metodologa de la investigacin holstica. Caracas: Instituto
Universitario de Tecnologa Caripito Servicios y Proyecciones para Amrica latina.
Haykin, S. (1994). Neural networks: A comprehensive foundation. Piscataway: IEEE Press.
Inuiguchi, M. y Ramik, J. (2000). Possibilistic linear programming: A brief review of fuzzy
mathematical programming and a comparison whit stochastic programming in
portfolio selection problem. Fuzzy Set and Systems, 111, 3-28.
Inuiguchi, M. y Tanino, T. (2000). Portfolio selection under independent possibilistic
information. Fuzzy Set and Systems, 115, 83-92.
Jain, L. C. y Jain, R. K. (1997). Hybrid intelligent engineering systems: Advances in fuzzy
systemsapplications and theory. Singapure: World Scientific Publishing.
Jang, J., Mizutani, E. y Sun, C. (1997). Neuro-fuzzy and soft computing: A computional
approach to learning and machine intelligence. New York: Prentice Hall.
Kandel, A. (2002). Fuzzy expert sistems. Boca Ratn: CRC Press.
Kasabov, N. (1998). Foundations of neural networks, fuzzy systems and knowledge
engineering. Cambridge: The MIT Press.
Kaufman, A. (1982). Introduccin a la teora de los subconjuntos borrosos: elementos
tericos de base. Mxico: CECSA
(1987). Les expertons. Paris: Hermes.
Kaufmann, A. y Gil Aluja, J. (1986). Introduccin de la teora de conjuntos borrosos a la
gestin de empresas. Santiago de Compostela: Milladoiro.
(1990). Las matemticas del azar y la incertidumbre: elementos bsicos para su
aplicacin en economa. Madrid: Ramn Areces.
(1995). Grafos neuronales para la economa y la gestin de empresas. Madrid: Pirmide.
Kerlinger, F. & Lee, H. (2002). Investigacin del comportamiento. Mtodos de
investigacin en ciencias sociales. Mxico. McGraw Hill.
Kosko, B. (1994). Fuzzy systems as universal approximators. IEEE Transactions on
Computers, 43 (11), 1329-1333.
(1995). Pensamiento borroso: la nueva ciencia de la lgica borrosa. Barcelona: Crtica.
Kuchta, D. (2000). Fuzzy capital budgeting. Fuzzy Set and Systems, 111, 367-385.
Kulkarni, A. (2001). Computer vision and fuzzy neuronal systems. New York: Prentice
Hall.
Lafuente G., A. M. (1990). Anlisis financiero en la incertidumbre. Barcelona: Arial.
Lafuente G., A. M. (2001). Nuevas estrategias para el anlisis financiero de la empresa.
Barcelona: Arial.
, Gil Aluja, J., Teodorescu, N. H. y Tacu, A. P. (1992). Chaotic fuzzy model in economy.
Documento presentado en el 2nd. International Conference on Fuzzy Logic Systems
and Neural Network. Lizuka, Japan.
Lai, Y. J. y Hwang, C. L. (1996). Fuzzy multiple objective decision making: Methods and
applications. Berlin: Springer-Verlag.
Lam, K. P., Chiu, K. C. y Chan, W. G. (1996). Neural network in financial engineering in
an embedded fuzzy knowledge base for technical analysis of stocks. Singapore:
World Scientific Publishing.
Leondes, C. T. (1998). Fuzzy logic and expert systems applications: Neural network
systems techniques and applications. San Diego: Academic Press.
Li Calzi, M. (1990). Towards a general setting for the fuzzy mathematics of finance. Fuzzy
Sets and Systems, 35, 265-280.
Lo, A. W. y Repin, D. V. (2001). empirical implementation. The Journal of Finance,
55 (4), 1705-1765.
Luhandjula, M. K. (1983). Linear programming under randomness and fuzziness. Fuzzy Set
and Systems, 10, 45-55.
Magni, C. A., Mastroleo, G. y Facchinetti, G. (2001).A fuzzy expert system for solving real
option decision processes. Fuzzy Economic Review, 6 (2), 51-73.
Magni, C. A., Mastroleo, G., Vignola, M. y Facchinetti, G. (2001). Strategic options and
expert systems: A fruitful marriage. Recuperado en octubre de2015, de
http://citeseer.ist.psu.edu
Malhotra, R. y Malhotra, D. K. (2002). Differentiating between good and bad credits using
neurofuzzy systems. European Journal of Operational Research, 136, 190-211.
Mandani, E. H. (1977). Application on fuzzy logic to approximate reasoning using
linguistic synthesis. IEEE Transactions on Computers, 26, 1182-1191.
y Gaines, B. R. (1981). Fuzzy reasoning and its applications. San Diego: Academic
Press.
Martnez, Carlos. (2007). Uso de las Tcnicas de Preprocesamiento de Datos e Inteligencia
Artificial (Lgica Difusa) en la Clasificacin/Prediccin del Riesgo Bancario Caso
de Estudio: La Banca Comercial; Universidad de Los Andes,
Facultad de Ingeniera, Escuela de sistemas, Departamento de investigacin de
operaciones.
Medina, S. (2003). Uso de la programacin lineal estocstica difusa en la definicin de la
poltica de crditos. EITI, 7-12.
Pea, Alejandro y Lochmuller, Christian (20014). Credibilidad borrosa para mezclar
diferentes fuentes de datos en la evaluacin del riesgo operativo: Modelamiento del
Riesgo Operativo; [www.researchgate.net>publications]
Refenes, A. N., Burgess, N., Bentz, Y. (1997). Neural networks in financial engineering: A
study in methodology. IEEE Trans. Neural Networks, 8 (6), 1222-1267.
Rodrguez, A. (1984), Matemtica de la Financiacin, Barcelona.
Rommelfanfer, H., Hanuscheck, R. y Wolf, J. (1989). Linear programming whit fuzzy
objectives. Fuzzy Set and Systems, 29, 31-48.
Sen, A. 2004. Economic Methodology: Heterogeneity and Relevance, in: Social
Research. 71, 3. Academia Research Library. pp. 583 614.
Simutis, R. (2000). Fuzzy logic based stock trading system. Documento presentado en la
IEEE/IAFE Conference on Computational Intelligent of Financial Engineering,
New York, USA.
Superintendencia de Bancos y Otras Instituciones Financieras Boletn Trimestral.
[Documento en lnea]. Disponible: http://www.sudeban.gob.ve/inf_estadistica.php]
Tanaka, H., Guo, P. y Turksen, B. (2000). Portfolio selection based on fuzzy probabilities
and possibility distributions. Fuzzy Set and Systems, 111, 387-397.
Tarrazo, M. 2001. Practical Applications of Approximate Equations in Finance and
Economics. Westport,CT.: Quorum Books. 183 p.
Trillas, E. (1980). Conjuntos borrosos. Madrid: Vicens Vives.
Trippi, R. R. y Turban, E. (1993). Neural Network in Finance and Investing. Chicago:
Probus Publishing Company.
Vadja, S. (1972). Probabilistic programming. New York: Academic Press.
Von Altrock, C. (1997). Fuzzy logic and neurofuzzy applications in business and finance.
New York:Prentice-Hall.
Wang, L. (1992). Fuzzy systems are universal approximators. Documento presentado en la
International Conference on Fuzzy Engineering.
Zadeh, L.A.: Fuzzy Sets and Systems. In: Fox, J. (ed.) System Theory. Microwave
Research Institute, Symposion Series XV, pp. 2937. Polytech. Press, Brooklyn
(1965)
--------. (1968). Probability measures of fuzzy events. J. Math. Anal. Appl., 23, 421-427.
---------. 2002. Toward a perception based theory of probabilistic reasoning with imprecise
probabilities, Journal of Statistical Planning and Inference. 105. pp. 233 264.
Zimmermann, H. J. (1976). Description and optimization of fuzzy systems. Int. Journal
Gen. Syst., 2, 209-215.