Académique Documents
Professionnel Documents
Culture Documents
Cmean:10 MMUSD
“Porque una de las formas
Cplan:15 MMUSD más importantes de agregar
valor, es evitar que se
destruya…”
Medardo Yañez
Pr(Creal>Cplan):70% CMÁX:19 MMUSD
90%
AREA1
AREA 2 10,50
AREA 3
AREA 5
7,00 50%
3,50
0%
0,00
Contenido
Día 1
Conceptos Básicos:
Incertidumbre
Riesgo y Análisis de Riesgo
Decisión
Estadística
Breve Introducción a la Metodología FEL-VCD
Incertidumbre en la Industria del Gas y del Petróleo
Fundamentos de Probabilidad y Estadística Descriptiva
Muestra y Población
Variables Aleatorias
Estadística de la Muestra - Histogramas
Estadística de la Población - Distribuciones de Probabilidad
Caracterización Probabilística de Variables
Muestras Grandes
Opinión de Expertos
Contenido
Día 2
Día 3
Día 4
Día 5
Incertidumbre
3
4
66 7
8
Certidumbre
Incertidumbre
CONCEPTOS BASICOS
Conceptos Básicos
Incertidumbre
El nivel de conocimiento acerca de un proceso específico puede variar desde el extremo de no saber
absolutamente nada acerca del mismo (ignorancia total), hasta el extremo de llegar a entender y modelar
completamente su comportamiento (certidumbre total).
CERTIDUMBRE TOTAL
Niveles de INCERTIDUMBRE
Conocimiento
IGNORANCIA TOTAL
El grado de separación entre nuestro nivel de conocimiento del proceso, y el estado de certidumbre total
se define como nuestro nivel de incertidumbre
Riesgo
Fundamentos Teóricos
Riesgo
Incertidumbre
Incertidumbre Riesgo
Riesgo
El riesgo es un término de naturaleza probabilística, que se define como “egresos o pérdidas probables
consecuencia de la ocurrencia de un evento no deseado o falla”.
Matemáticamente el riego asociado a una decisión o la ocurrencia de una falla o evento viene dado por la
expresión:
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 ocurrecia del evento no deseado “a” en el tiempo “t”
Conceptos Básicos
Fundamentos Teóricos
Evento no Deseado
De manera muy general podríamos decir que “eventos no deseados” son las
realizaciones de escenarios que no queremos que ocurran y/o que alteran la planificación
que hacemos del futuro.
• Accidentes y enfermedades.
• Catástrofes naturales.
Fundamentos Teóricos
En la gran mayoría de los casos, los procesos y sistemas bajo estudio son heterogéneos en
naturaleza y son muchos los escenarios que deben evaluarse para cuantificar
apropiadamente el riesgo de un evento no deseado en particular. El mismo puede
presentarse por diversas causas y de distintas maneras; es decir, puede derivar de diversos
escenarios.
La expresión general que permite cuantificar el riesgo y nos indica que el mismo es función
no sólo de la probabilidad y de las consecuencias, sino también de los diferentes escenarios
asociados a un evento en particular es:
Análisis de Riesgo
Análisis de Riesgo
Area 1:
Dimensionamiento
del Riesgo
Area 2: Area 3:
Administración Comunicación
del Riesgo del Riesgo
• Debilidad: Complejidad
Conceptos Básicos
Decisión
Conceptos Básicos
Decisión
En su acepción mas simple, decisión puede definirse como sigue:
Conceptos Básicos
Naturaleza del Proceso de Decisión
ACCION RESULTADOS
DATOS DECISION
( Ai ) ( Xi )
Las decisiones que se toman en el presente, se alimentan de los datos del pasado y
generan acciones (elegida entre las Ai) que provocarán un resultado en el futuro. El
resultado dependerá del la acción 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. Cada acción Ai, tiene sus
consecuencias posibles (Xij), condicionada a la ocurrencia de los distintos futuros Fj
(futuros probables) que se pueden presentar.
Conceptos Básicos
Toma de Decisión
En ambientes de
Decisión incertidumbre todas las
decisiones implican riesgo.
En ambientes de
incertidumbre.
Conceptos Básicos
Estadística
Probabilidad y Estadística
La Probabilidad y la Estadística constituyen los pilares matemáticos fundamentales
para tomar decisiones administrando el riesgo y la incertidumbre
Día 1
Conceptos Básicos:
Incertidumbre
Riesgo y Análisis de Riesgo
Decisión
Estadística
Breve Introducción a la Metodología FEL-VCD
Incertidumbre en la Industria del Gas y del Petróleo
Fundamentos de Probabilidad y Estadística Descriptiva
Muestra y Población
Variables Aleatorias
Estadística de la Muestra - Histogramas
Estadística de la Población - Distribuciones de Probabilidad
Caracterización Probabilística de Variables
Muestras Grandes
Opinión de Expertos
Introducción a la Metodología FEL – VCD
Modelo General
Etapa Conceptualización
Visualización D D Definición D
Objetivo Matriz de oportunidades y/o categorías Modelado detallado de las Continuación del modelado detallado
de decisiones y opciones para las incertidumbres técnicas y los riesgos de las incertidumbres técnicas y
diferentes áreas en subsuelo, pozos, asociados, evaluación de los los riesgos asociados para el
instalaciones y procesos que servirán escenarios e integración de resultados escenario seleccionado, definición de
de base para la construcción de los con riesgos/complejidad, selección del costos Clase III, ingeniería básica, los
escenarios de explotación que pueden escenario óptimo para FEL-D detalles del plan de explotación para
generar valor sobre el Caso Base, (Definición) e ingeniería conceptual. su integración en la cartera de
identificación de riesgos mayores, proyectos y el plan operacional.
identificación de tecnologías y/o
procesos nuevos por considerar
Llaves ¿Identificamos todas las posibilidades? ¿Identificamos todas las incertidumbres ¿Hay un plan de administración de cada
Técnicas ¿Identificamos todos los riesgos técnicas? riesgo y un plan para medir su impacto en
principales? ¿Modelamos todas las incertidumbres o los resultados de la explotación de la
¿Es negocio esta oportunidad o no? presentamos un plan para su oportunidad?
¿Presentamos las bases para los cuantificación? ¿La ingeniería básica tiene todos los
escenarios que pasan a FEL-C? ¿Presentamos las bases para la selección componentes listos de subsuelo, pozos,
del escenario óptimo basado en el superficie, Seguridad Industrial –
desempeño del escenario, su complejidad Protección Ambiental y los recursos
Dictamen y riesgos asociados? financieros?
¿El plan de operación maestro es factible
Pasa a la siguiente Fase (con o sin condicionantes). ecológica, social, técnica y
D Requiere ajustes para poder continuar. económicamente?
No pasa (regresa a “la cartera en espera” con recomendaciones).
Introducción a la Metodología FEL – VCD
Modelo General
Entre los elementos diferenciadores de la metodología FEL, vale la pena destacar dos
particularmente importantes:
Día 1
Conceptos Básicos:
Incertidumbre
Riesgo y Análisis de Riesgo
Decisión
Estadística
Breve Introducción a la Metodología FEL-VCD
Incertidumbre en la Industria del Gas y del Petróleo
Fundamentos de Probabilidad y Estadística Descriptiva
Muestra y Población
Variables Aleatorias
Estadística de la Muestra - Histogramas
Estadística de la Población - Distribuciones de Probabilidad
Caracterización Probabilística de Variables
Muestras Grandes
Opinión de Expertos
Incertidumbre en la Industria del
Gas y del Petróleo
• Volumétrico
• Curvas de declinación
VOI • Balance de Materiales
• Simulación Matemática
• Reservas Probadas
RESERVAS • Reservas Probables
Fr • Reservas Posibles
• Reservas por descubrir
Incertidumbre en la Industria del
Gas y del Petróleo
•Tipo de Completacíón
Incertidumbre de
Técnicas de •Tecnología de Perforación,
Producción
Perforación •Tiempo de Perforación
•Incertidumbres Operacionales.
• Declinación Energética
• Declinación Mecánica
Vida Útil
Yacimiento • Frentes de Agua y Gas
• Métodos de Recuperación Secundaria
• Métodos de Recuperación Terciaria
7.- Como manejar en superficie la
producción del Yacimiento? Incertidumbre de
• Facilidades de Producción Producción
Infraestructura • Ingeniería de Procesos
para • Costo Mantenimiento y Energía
Producir • Disponibilidad y Confiabilidad
• Flexibilidades Operacionales
8.- Qué tan rentable es el negocio?
Ejemplo Introductorio
Incertidumbre - Fuentes
De los datos:
Calidad - Cantidad
Tecnología de recolección
Del nivel de
conocimiento de De los modelos
Sistemas / Procesos Matemáticos
De donde viene la
Del comportamiento
Incertidumbre ?
Humano
De la variabilidad De comportamientos
inherente de Aleatorios
Sistemas / Procesos
De la heterogeneidad
de los Sistemas
Incertidumbre en la Industria del
Gas y del Petróleo
• Alto Riesgo
•
Ignorarla y •
Alto Impacto
Dependencia del Factor Suerte
Decidir • Ambiente Reactivo
GAP DE OPCIONES
Considerarla en el
• GERENCIA DE LA
Análisis, Cuantificarla INCERTIDUMBRE
y Decidir
Incertidumbre en la Industria del
Gas y del Petróleo
Administración de la Incertidumbre
Administración de la
Incertidumbre
Estimar Reducir
Dimensionar Impacto – Incertidumbre
Incertidumbre Incertidumbre Técnicamente Factible
Data - Modelo sobre Modelo de y Económicamente
Toma de Decisiones Rentable
Valor de la Información
Contenido
Día 1
Conceptos Básicos:
Incertidumbre
Riesgo y Análisis de Riesgo
Decisión
Estadística
Breve Introducción a la Metodología FEL-VCD
Incertidumbre en la Industria del Gas y del Petróleo
Fundamentos de Probabilidad y Estadística Descriptiva
Muestra y Población
Variables Aleatorias
Estadística de la Muestra - Histogramas
Estadística de la Población - Distribuciones de Probabilidad
Caracterización Probabilística de Variables
Muestras Grandes
Opinión de Expertos
Fundamentos de Probabilidad y
Estadística Descriptiva
“Marco matemático para predecir el futuro modelando la
experiencia.”
Introducción a la Probabilidad y Estadística
Conceptos Básicos - 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:
Si el evento “A” es muy frecuente => probabilidad de ocurrencia de “A” [P(A)] es alta (tiende a 1)
Si el evento “A” es poco frecuente=> probabilidad de ocurrencia de “A” *P(A)+ es baja (tiende a 0)
0 P(A) 1
El evento o escenario El evento o escenario
“A” no se presentará. “A” se presentará.
Enfoque NA
Enfoque Frecuentista Pr(A) lim
Clásico NT NT
Basada en la historia de
ocurrencias
NA= Numero de observaciones en las que ocurre el evento “A”
NT= Numero total de observaciones
Muestra
Población
Introducción a la Probabilidad y Estadística
Conceptos Básicos - Probabilidad
Muestra Representativa
Estadística Descriptiva
La Estadística Descriptiva se ocupa del estudio de la variación o dispersión, y para ello se apoya en
herramientas matemáticas conocidas como “Distribuciones de Probabilidad” que permiten organizar,
describir, representar matemática y gráficamente la información sobre variables y cuantificar su
incertidumbre.
Las variables objeto de estudio de la Estadística Descriptiva, se conocen como Variables Random,
Variables Aleatorias o Variables Distribuidas.
Variables Aleatoria
Se denomina variable aleatoria, random o distribuida, a una variable “X” que por sus características
pueda tomar un conjunto de valores (x1, x2, x3, x4, ... xn-1) cada uno de los cuales tiene una probabilidad de
ocurrencia (p1, p2, p3, p4, ... pn-1,), sin que se pueda asegurar específicamente cual de todos estos
probables valores tomará la variable.
p(X) Convenio de Notación
.167
(X=xi): representa el evento "la variable aleatoria X
.125
toma el valor xi”
.083
p(X)
Dado 1
6/36
.167
1 2 3 4 5 6 5/36
5/36
1 2 3 4 5 6 7 .125 4/36 4/36
2 3 4 5 6 7 8 3/36 3/36
.083
Dado 3 4 5 6 7 8 9 2/36 2/36
2 4 5 6 7 8 9 10 .042 1/36 1/36
5 6 7 8 9 10 11 .000
6 7 8 9 10 11 12 2 3 4 5 6 7 8 9 10 11 12 X
x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11
Introducción a la Probabilidad y Estadística
Conceptos Básicos - Probabilidad
Variables Discretas
Es una variable random que sólo puede tomar valores enteros, es decir, un número finito de
valores contables.
Variables Continuas
Es una variable random que teóricamente puede tomar todos los valores de un intervalo dado
(enteros, decimales), es decir, un número infinito de valores.
Distribuciones de Probabilidad
Las Distribuciones de Probabilidad, son modelos gráficos que muestran la relación enter los
diversos probables valores que puede tomar una variable random y la frecuencia de repetición
u ocurrencia de estos probables valores.
Las Distribuciones de Probabilidad se clasifican en dos familias:
Distribuciones Paramétricas
Distribuciones No Paramétricas
x x
Estadística de la Muestra
Introducción a la Probabilidad y Estadística
Estadística Descriptiva – Estadística de la Muestra
Distribuciones de Probabilidad no
Paramétricas
Histogramas de Frecuencia
Es un tipo de gráfico que agrupa un conjunto de datos de una variable aleatoria, de forma tal que
puedan apreciarse los siguientes aspectos:
.- La forma en que están distribuidos los mismos,
.- El grado de dispersión,
.- Los valores con mas alta probabilidad de ocurrencia.
Histograma de Frecuencia
0.35
Clases
Introducción a la Probabilidad y Estadística
Estadística Descriptiva – Estadística de la Muestra
Frecuencia
¿Cuál es la probabilidad de que X tome un det
0.2
valor xi?
0.15
¿Cuál es el valor o el rango de valores de X co
0.1 probabilidad de ocurrencia?
0.05
¿De qué manera se distribuyen los probables
0 X?
9.1 - 9.4 9.4 - 9.7 9.7 – 10.0 10.0 – 10.3 10.3 – 10.6 10.6 – 10.9
Clases
Probabilidad Acumulada
0.8
0.6
0.4
0.2
Directas Inversas 9.1 - 9.4 9.4 - 9.7 9.7 – 10.0 10.0 – 10.3 10.3 – 10.6
Probabilidad Acumulada
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
4. Calcular la frecuencia relativa para cada rango o clase con la siguiente fórmula:
Ejercicio No 1: La tabla que se muestra a continuación, muestra los valores de “Porosidad” medidos
en 40 pozos de un yacimiento de petróleo. Se requiere:
Percentiles 0.8
Introducción a la Probabilidad y Estadística
Estadística Descriptiva – Estadística de la Muestra
• Media de la Muestra
• Desviación Estándar de la Muestra
• Percentiles 60 y 80
Estadística de la Población
Introducción a la Probabilidad y Estadística
Estadística Descriptiva – Estadística de la Población
x x
Introducción a la Probabilidad y Estadística
Estadística Descriptiva – Estadística de la Población
INTERPRETACIÓN:
F(xi)=Pr(x xi)
F( x ) 0.5
INTERPRETACIÓN:
F(xi) PROBABILIDAD DE OBSERVAR VALORES xi
0
xi
0
8 9 10 11 12 Pr( x xi ) F ( xi ) f ( x )dx Area _ sombreada
8 xi x 12
Variable Aleatoria
Introducción a la Probabilidad y Estadística
Estadística Descriptiva – Estadística de la Población
1 SE DEFINE COMO:
C(xi)
C(xi)=Pr(x xi)
INTERPRETACIÓN:
C(x)=1-F(x)
PROBABILIDAD DE OBSERVAR VALORES xi
0
X
xi
1
C(xi)
xi
F(x)
Pr( x x i ) C( x i ) 1 f ( x )dx f ( x )dx
xi
C(x)
F(xi)
0
X
xi
Introducción a la Probabilidad y Estadística
Estadística Descriptiva – Estadística de la Población
XM
XL=5% XU=95% X
LIMITE LIMITE
INFERIOR 90 % INTERVALO DE SUPERIOR
Pr(X< XL)=0.05 CONFIANZA Pr(X< XU)=0.95
Pr(L<X<U)=0.9
xm x 50 % X xm X
x50%
1
2
(x ) 2 . f ( x)dx
Introducción a la Probabilidad y Estadística
Estadística Descriptiva – Estadística de la Población
F(x)
1 Si “ ” es percentil de la distribución de
probabilidad, el valor de la variable aleatoria
denotada como X o P para las cuales la
F(x) probabilidad acumulada es “ ” , se puede decir
que hay % de probabilidad de que la los valores
de la variable aleatoria X sean menores o iguales a
0
X .
X x
x
f(x) f ( x)dx
f(x) El percentil 50 (P50 o X50%) se conoce como la
mediana de la distribución.
x X
Introducción a la Probabilidad y Estadística
Estadística Descriptiva – Estadística de la Población
F(xa)
xa xb X
Introducción a la Probabilidad y Estadística
Estadística Descriptiva – Estadística de la Población
Distribución Normal
Distribución Lognormal
Distribución Binomial
Distribución Exponencial
Variables Variables Distribución de Poisson
Aleatorias Distribución de Weibull Aleatorias
Continuas Discretas Dist. Hipergonométrica
Distribución Beta
Distribución Geométrica
Distribución Gamma
Distribución Triangular
Distribución Uniforme
f (x) F (x) C ( x) 1 F ( x)
1 x
2
x x
Normal f ( x)
1
e 2 F ( x) C ( x) 1
2
2
1 ln x t
1 2 ln x ln x
f ( x) e t
F ( x) t
C ( x) 1 t
Log-Normal x 2
t t t
x
1 1 x x
Gamma f ( x) x .e Fx x o , 0 C ( x) 1
.x
Exponencial f ( x) e F ( x) 1 e .x
C ( x) e .x
1 x
x x x
Weibull f x e F ( x) 1 e C ( x) e
Introducción a la Probabilidad y Estadística
Estadística Descriptiva – Estadística de la Población
Media:
n
Desviación estándar:
1
xi 1 n
2
Normal n i 1 xi
n 1 i 1
Desviación estándar
Media Logarítmica: logarítmica:
n
1 n
t ln xi 1 2
Log-Normal n i 1 t ln xi t
n i 1
Escala: Forma:
2 n
n 2
n 1 xi n. xi x
Gamma i 1 i 1
n n
2
n2 xi x n 1 xi
i 1 i 1
Tasa :
1
Exponencial n
N.A
xi
i 1
Escala: Forma:
1 n
n
xi xi ln xi n
Weibull i 1 1 1
i 1
n
ln xi
n n i 1
xi
i 1
Introducción a la Probabilidad y Estadística
De la Estadística de la Muestra a la Estadística de la Población
De la Estadística de la
Muestra a la de la Población
2
Frequencies
x x
1 n
Media de la Muestra X = xi Media de la Población x.f ( x )dx
n i 1
1
n
1 2 2
Muestra SD s . xi X . Población SD (x )2 .f ( x )dx
n 1 i 1
Introducción a la Probabilidad y Estadística
De la Estadística de la Muestra a la Estadística de la Población
Procedimiento General
f 7
F 1( X , 1, 2 ) Fm ( X , 1, 2 ) F 2( X , 1, )
5
2
2
Muestra
1
x
F(x)
0
F
F(x)
1.2
1 1.2
0.8
X1 0.6 1
0.4
X2
0.2
0.8
0
0.064-0.086 0.086-0.108 0.108-0.13 0.13-0.152 0.152-0.174 0.174-0.196 0.196-0.218 0.218-0.24
x
0.6
X3
0.4
X4 Establecer Distribución de
0.2
Probabilidad “Hipótesis”
. 0
0.064-0.086 0.086-0.108 0.108-0.13 0.13-0.152 0.152-0.174 0.174-0.196 0.196-0.218 0.218-0.24 X
.
Test de Bondad de Ajuste
. f1 ( x, 1 , 2 )
Hipótesis 1
Xn F1 ( x, 1 , 2 )
n= número de f2 ( x, 1 , )
datos de la Hipótesis 2
2
F 2( X , 1 , 2
)
muestra o F2 ( x, 1 , 2 )
“tamaño de
muestra” fm ( x, 1 , 2 ) Es el mejor ajuste para los
Hipótesis m
Fm ( x, 1 , ) Datos de la Muestra
2
Introducción a la Probabilidad y Estadística
De la Estadística de la Muestra a la Estadística de la Población
Test de Kolmogorov-Smirnov / Anderson Darlin Etapa 1: Graficar cada una de las curvas
1.00 de las distribuciones hipótesis teóricas, con
el histograma de los datos de la muestra.
.750 Etapa 2: Calcular para cada distribución
hipótesis el valor llamado “valor del test” y
.50 compararlo contra el valor llamado “valor
Valor del Test critico”.
.25
Etapa 3: Si el valor del test es menor que
.00
el valor crítico entonces la distribución
hipotética se considera un buen ajuste y la
4 8 12 15
hipótesis no es rechazada. Si por el
contrario, el valor del test es mayor que el
valor crítico, la hipótesis se rechaza.
Para cada Nivel de Confianza (α),existe un
Valor Crítico
Opinión de Expertos
La opinión de expertos representa una de las fuentes fundamentales de información para cálculos en
ingeniería y es particularmente útil cuando se trata de análisis de riesgo.
Los expertos poseen valiosísima información sobre las variables y su incertidumbre normalmente
sustentada en la observación y experiencia con procesos similares.
El procedimiento para aprovechar la opinión de expertos como fuente de información puede dividirse en
dos áreas:
1.- Técnicas de Entrevistas del Experto o Grupo de Expertos, tales como el “Método de Delphi”, que
permite obtener la opinión de expertos, documentarla y reducir su subjetividad.
• Teorema de Bayes; como método matemático para combinar la opinión de expertos, con evidencia
o datos propios.
Introducción a la Probabilidad y Estadística
De la Estadística de la Muestra a la Estadística de la Población
= * (xmax - ) / ( - xmin)
Xmin Xmas probable Xmax
= (xmin + 4 * xmprob + xmax) / 6
= (xmax - xmin) / 6
EXPERTO
Introducción a la Probabilidad y Estadística
De la Estadística de la Muestra a la Estadística de la Población
2
x x min
Si X X mod a P( X x) F( x )
( x max x min ).( x mprob x min )
xmin xmprob. xmax X
2
x max x
Si X X mod a P( X x) F( x ) 1
( x max x min ).( x max x mprob )
EXPERTO
Introducción a la Probabilidad y Estadística
De la Estadística de la Muestra a la Estadística de la Población
0.00400
0.00350 2
0.00300
1 ln( X ) ln( X MIN . X MAX )
0.00250
Probability
2 X MAX
ln
0.00200 X MIN . X MAX
1.695 1.695
0.00150
g( X ) e
X MAX
0.00100 ln .X . 2
X MIN . X MAX
0.00050
0.00000
0 0.1 0.2 0.3 0.4 0.5 0.6
X
X5% X MIN X95% X MAX
EXPERTO
Introducción a la Probabilidad y Estadística
De la Estadística de la Muestra a la Estadística de la Población
1
f(x)
xmax xmin
a
xmin
P( x a) F( a )
xmin xmax X xmax xmin
a b
EXPERTO b a
P( a x b)
xmax xmin
Introducción a la Probabilidad y Estadística
De la Estadística de la Muestra a la Estadística de la Población
En la siguiente tabla se presentan los estimados realizados por expertos de Geociencias de los
probables valores para la variable “Espesor Neto (h) (Arena Neta Petrolífera)”.
Nótese que estimación de “h”, está dada por tres valores (Un máximo, un mínimo y un más
probable)
Con esta información conteste las siguientes preguntas:
1.- Que distribución de probabilidades puede usarse para representar dicha variable. Justifique su
selección
Espesor Neto - h - (Pies)
19 34 150
Después de un análisis del comportamiento de producción de el yacimiento del Campo XRM, el Ing.
de Yacimientos a cargo expresa su estimación sobre la declinación del mencionado yacimiento tal
como se muestra en la tabla siguiente:
Nótese que estimación del Área, está dada por dos valores (un máximo y un mínimo). Con esta
información conteste las siguientes preguntas:
1.- Que distribución de probabilidades puede usarse para representar dicha variable. Justifique su
selección
Día 2
,083
,062
E
(A+B+C)
E= ,041
D ,021
,000
50.680,17 54.456,64 58.233,11 62.009,58 65.786,05
1,000
,750
E
,500
,250
,000
50.000,00 54.375,00 58.750,00 63.125,00 67.500,00
Modelo Matemático
Caracterización Probabilística de las
Variables de Entrada
TT tS ACT 1 tS ACT 2 tS ACT 3
Sub-Actividad No 1
Sub-Actividad No 2
Sub-Actividad No 3
,083
,062
E
(A+B+C)
E= ,041
D ,021
,000
50.680,17 54.456,64 58.233,11 62.009,58 65.786,05
0,1506 0,1740 0,1974 0,2208 0,2442 16,23 58,88 101,53 144,18 0,0237 0,1568 0,3374 0,5179
X2j Xnj
X1j
,041
construir Histograma de frecuencia y realizar prueba de ,021
bondad de Ajuste para definir distribución probabilística ,000
50.680,17 54.456,64 58.233,11 62.009,58 65.786,0
Operaciones con Variables Aleatorias
Simulación de Montecarlo
En las tablas de la página siguiente, se muestran los datos recopilados en bitacoras de perforación de pozos similares
estructuralmente, geológicamente equivalentes y de aproximadamente la misma profundidad, sobre la duración en
horas de las actividades de la secuencia de reparación previamente descrita
Basado en el listado de actividades y el set de datos en horas asociado a la duración de cada una de ellas, se solicita
1.- Definir la Distribución de Probabilidad que mejor describe a cada una de las actividades.
2.- Definir la Distribucion de Probabilidad que representa la variable Random "Tiempo Total de la Actividad de
Reparación".
3.- Si usted es el responsable de suministrar a la alta Administración el estimado de la variable Tiempo Total de la
Actividad de Reparacion, cual sería su respuesta?
Operaciones con Variables Aleatorias
Simulación de Montecarlo
Análisis de Sensibilidad
El análisis de sensibilidad permite cuantificar la contribución relativa de cada una de las variables aleatorias
de entrada a un modelo, a la dispersión o varianza del resultado o variable de salida del modelo.
Obviamente es un procedimiento que debe realizarse después de haber completado la propagación de
incertidumbre ya sea por el Método de los Momentos o por Simulación de Montecarlo.
Este análisis es de vital importancia para “Administraciónr la incertidumbre” ya que permite identificar las
variables de entrada al modelo en las que debe centrarse la atención y tomar las acciones necesarias
(compra de información, toma de datos, análisis causa raíz, etc) para mejorar el nivel de conocimiento sobre
las mismas, (de ser técnicamente factible y económicamente rentable), porque solo así se logrará reducir la
incertidumbre de la variable de salida.
Existen diversos tipos de análisis de sensibilidad, cada uno de los cuales tiene un “gráfico de resultados”
característico. En los siguientes puntos se ampliará en detalles los tipos de análisis de sensibilidad mas
conocidos.
Díagramas de
Sensibilidad Tipo I Contribución a la
Varianza
Sensibilidad de la Variable de Salida a
la Dispersion (Desviación Estándar) de
las Variables de Entrada Díagramas de
Correlación por
Ranking
Análisis de
Sensibilidad
Díagramas de
Sensibilidad Tipo II Tornado
Sensibilidad de la Variable de Salida a
la posición de la MeDía de las
Variables de Entrada Díagramas de
Araña
Operaciones con Variables Aleatorias
Análisis de Sensibilidad
Sensibilidad Tipo II
Sensibilidad de la Variable de Salida a la
posición de la MeDía de las Variables de
Entrada Variable de Salida
Sensibilidad Tipo I
Sensibilidad de la Variable de Salida a la
Dispersion (Desviación Estándar) de las
Variables de Entrada
Operaciones con Variables Aleatorias
Análisis de Sensibilidad
Análisis de Sensibilidad
Díagrama de Tornado Clásico o de una Variable a la Vez
Qo=
Para su construcción la variación de los datos se
0.00 1000.00 2000.00 3000.00 4000.00
realiza individualmente, es decir, se analiza la
sensibilidad de la salida debido a la variación de ANP 222.75 1035.48
una variable a la vez, asumiendo que todos las
demás permanecen sin alteración alguna. Pe-Pwf (psi) 301.59 811.6
El Gráfico de Araña, es una herramienta muy útil que representa exactamente los mismos resultados del
Díagrama de Tornado, pero empleando una representación gráfica diferente.
Qo=
4000
Parte 5: Realizar un Análisis de Sensibilidad de la Gasto Inicial de Producción con un Gráfico de Araña
Para detectar la posible existencia de correlación entre dos variables X y Y, se grafican los valores de las
muestras independientemente colectadas de ambas variables, para identificar si existe algún tipo de tendencia.
Algunos ejemplos de correlaciones entre variables que la experiencia ha permitido detectar son los siguientes
Y
Y
0 1 0
15 20 25 30 35 40 0 500 1000 1500 2000 2500 0 200 400 600 800 1000 1200 1400
X X X
Operaciones con Variables Aleatorias
Correlaciones Probabilísticas
La correlación entre variables que son débiles no afecta el resultado del modelo de simulación,
más aún moderadas y altas correlaciones pueden producir un error significante si este no es
considerado explícitamente en el modelo de simulación.
Operaciones con Variables Aleatorias
Correlaciones Probabilísticas
Correlaciones Probabilísticas en la
Simulación de Montecarlo
L1 : H m1 xSw b1
“ Método del Sobre” 0,26
0,24 L2 : L m2 xSw b2
Hi 0,22
0,2
0,18
Li 0,16
0,14
0,12
0,12 0,17 0,22 0,27 Sw
Sw i
Operaciones con Variables Aleatorias
Correlaciones Probabilísticas
Correlaciones Probabilísticas en la
Simulación de Montecarlo
4. Modelar las variables probabilísticamente una sola vez en todas las etapas del
desarrollo del modelo.
Contenido
Día 2
k!.(n k )!
Donde: p = Probabilidad Fracasos, n= Número de intentos o “trials”, k =número de fracasos
k
En el ejemplo anterior, se estimó el parámetro “p” de la BINOMIAL como: p
n
Sin embargo, esto es solo un “estimado puntual”. El verdadero valor de “p” se encuentra en el
rango
1 k 1
p
pLOW p pHIGHT 1
n k 1 n 1
n k
k (F2 k ,2 ( n k 1 ),1
) k 1(F2 ( k 1 ),2 ( n k ),
)
2 2
El “ancho o incertidumbre” de este rango depende del tamaño de la muestra analizada y del grado
de confianza que se le dará a la estimación.
Variables Aleatorias
Aspectos Especiales de la Caracterización
Probabilística de Variables
Ejemplo No. 9: Para las muestra observadas en tablas, y utilizando RARE.xls, estimar los intervalos y el
valor más probable para la “probabilidad de fracaso” con diferentes niveles de confianza
MUESTRA # 1 MUESTRA # 2
Perforación Localizació Éxit Fracas
Perforación # Localización Éxito Fracaso # n o o
1 KPTZ X 1 CRAL X
2 GTHS X 2 HAVM X
3 RVHT X 3 BCUB X
4 PKTF X 4 MTSC X
5 JEIV X 5 JDLD X
X 6 HERR X
X 7 TBNM X
X X
X X
10 MNTD X X
30 ERTF X
LOW HIGHT X Z1 X Z1
2 n 2 n
El “ancho o incertidumbre” de este rango depende del tamaño de la muestra analizada y del grado
de confianza que se le dará a la estimación.
Variables Aleatorias
Aspectos Especiales de la Caracterización
Probabilística de Variables
Día 3
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5
Tiempo (Dias)
Ejemplo Integrador I
Día 3
% Error Historico
Qoi probab ílistico ( BPD ) Qodeterminístico * 1
100
Pozo Qplan Qreal %Desv.
Qreal Qplan
Pozo 1 9000 0 -100.00 % Error Histórico Qplan
Pozo 2 7000 3671 -47.56
Qo(BPD) Pozo 3 3400 2040 -40.00
Distribución Probabilística del
.147 -36.72
Pozo 4 7592 4804 % Error Histórico o Desviación
Pozo 5 4630 2930 -36.72 .080
.110
Pozo 6 8750 6137 -29.86
Probabilidad
.074 .060
Pozo 7 5400 4098 -24.11
.037 Pozo 8 7100 5399 -23.96 .040
Pwf
Permeabilidad
F(Q0 ) f (h, , k, P, Bo, , re, rw, S)
Viscosidad
Daño
50.00 162.50 275.00 387.50 500.00
Análisis de Riesgo en el Marco de la Metodología
FEL – VCD – Pozos
Estimación Probabilísta del Gasto Inicial de Gas (Qg) – Ejemplo Aplicación Yacimientos de Gas
Percentiles Qo
0.12 0.15 0.18 0.22 0.25 0.28 0.92 0.94 0.96 0.99 1.01 1.03 Percentile (MMPCGD)
μg: 0% 0.78
Pr:
10% 1.32
20% 1.48
30% 1.62
40% 1.75
50% 1.89
60% 2.03
2,200.00 3,800.00 0.02 0.02 0.02 0.02 0.02 0.02 70% 2.19
80% 2.4
Pwf (punto de prueba): 90% 2.68
h 100% 4.82
El perfil de producción probabilístico en el ciclo de vida útil del pozo se obtiene a partir de una
tasa inicial de tipo probabilística, que declinada a una velocidad equivalente al factor (D), se
convierte en una banda de valores probables de producción como la que se muestra en el % de Pérdidas por Fricción
gráfico siguiente:
Initial Flow (Qo - BD) 40.00 45.00 50.00 55.00 60.00
.064 .087
Distribución Probabilística de la Qoi(superficie)
Mean = 632.12 bpd
Lognorma Distributionl
Q(t)
Probability
Qoi(superficie)=
Mean = 632.12 1233.63 bpd
σ= 339.49
.065
% de Pérdidas por Fricción en Tubería
.043
.021
.043
Qo 100
.000
108.53
.022
.042
Qt (Qo )(eoeD-Fd.t
.t
) .021 Q3
Q(t)=Q .000 Q4
610.25 1917.36 3224.46 4531.57 5838.67
F d: Facto r d e Declinació n
1.80
Qg(t ) Qg(t 0 )
e D .t 1.60
1.40
1.20
P5
MMPCD
1.00
P50
0.80
0.60 P95
0.40
Med
0.20 ia
0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
0.0510 0.3060 0.5610 0.8160 2.2 6.4 10.7 14.9 19.2 23.2
Análisis de Riesgo en el Marco de la Metodología
FEL – VCD – Pozos
1.80
1.60
1.40
1.20 P5
MMPCD
1.00
P50
0.80
0.60 P95
0.40
Med
0.20 ia
0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1.20 P5
1.00
pozos nuevos para los que se realizó el 0.80
P50
0.60 P95
pronóstico. 0.40
Med
0.20 ia
0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Análisis de Riesgo en el Marco de la Metodología
FEL – VCD – Pozos
Ejemplo No. 12
Con base en la Lectura No 10 “Sub Modelo Pozo Probabilista – Gasto Inicial y Perfil de Producción.pdf”
se plantea un ejemplo que se divide en 2 etapas
Qt ( Q 0 ) x( e Fd .t )
Qt (Qo )(e D .t
)
Probabilidad
Número más Probable de Pozos Exitosos .043
.022
.000
142.51 811.75 1480.99
Análisis de Riesgo en el Marco de la Metodología
FEL – VCD – Pozos
Binomial 1
Binomial 2
p2.p3=13.76%
Intento= 1
Q Lreal Q Kplan
%Desv 2
p3=probabilidad de QKplan
p2=probabilidad de completar en otro objetivo
no alcanzar el objetivo
-100.00 -43.75 12.50 68.75 125.00
Ejemplo No. 14
Con base en la Lectura No 11 “Sub Modelo Pozo Probabilista – Gasto Esperado y Perfil Esperado.pdf”
se plantea un ejemplo que se divide en 2 etapas
Parte 1: Estimar el VALOR ESPERADO de Gasto de Producción Inicial para un Pozo, considerando la
Probabilidad de Éxito o Fracaso de la Perforación
Parte 2: Definir el PERFIL ESPERADO o Pronóstico de Producción del Pozo a 10 años. Utilizar el
modelo y los valores de declinación definidos en el ejemplo 12.
P1=85 %
p1=probabilidad de
alcanzar el objetivo
% Desviación 1
Probabilidad de Éxito ó
Fracaso Operacional P3=93.3 %
p3=probabilidad de
completar en otro objetivo
p2=probabilidad de
no alcanzar el objetivo
P2=15 %
p4=probabilidad de
abandono -100%
P4=6.7 %
Análisis de Riesgo en el Marco de la Metodología
FEL – VCD – Pozos
Disponibilidad de Pozos.
(OREDA, Wellmaster)
Updated Failure
and Repair Rates
Tarjet: 90%
Gasto Inicial de Producción Probabilísta por Pozo Tipo / Probabilidad de Éxito o Fracaso de la Actividad
Perfil de Producción por pozo / Disponibilidad pozo.
El modelo considera:
− Considera técnicas estadísticas especiales para el tratamiento de información escasa y técnicas para el
manejo de distintos tipos de información (Opinión de Experto, Evidencia, Teoría Bayesiana).
− Documentación detallada de todas las premisas para el cálculo.
− Presentación detallada de los modelo matemáticos considerados
− Modulo de Ayuda (paso a paso).
Contenido
Día 4
n
Pr(treal<tobj):44% TT TACTi
i 1
m
TACTi tLi p j tR j
j 1
XXX - Actividad
MTR Meter Tubería de Revestimiento / Liner PEF-14 Taponamiento de tubería
DIS Disparar
+ p2 x
RDV Reemplazar válvula de BN =
RRE Recuperar restos de empacador T risk RAP-05
p4 x
Análisis de Riesgo en el Marco de la Metodología
FEL – VCD – Pozos
Aspectos Relevantes
En el análisis de los pozos, se decidió “normalizar” los metros perforados dada la amplitud del
rango de metros profundizados
ma ROP (mts/hr)
t efectivo
ROP .082
.062
ma= metros a perforar planificados
.041
tcompl = Incluye las actividades complementarias de la perforación. Tales como: Armar sarta, viajes cortos, circulación,
bombeo de baches, entre otros.
triesgo = Incluye las desviaciones que se han presentado y se puedan presentar en el transcurso de la perforación.
Análisis de Riesgo en el Marco de la Metodología
FEL – VCD – Pozos
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5
Tiempo (Dias)
Análisis de Riesgo en el Marco de la Metodología
FEL – VCD – Pozos
40%
36%
32%
61 hrs 124 hrs 184 hrs
Probabilidad
28%
24%
20%
Sin Después de la Antes de la
16% mitigación mitigación
Riesgo
12%
8%
4%
0%
0 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
Tomado de Altinex
Con la evaluación de las medidas potenciales de mitigación, el QRA identifica una posible
reducción en el tiempo total requerido para llevar acabo la operación.
Análisis de Riesgo en el Marco de la Metodología
FEL – VCD – Pozos
27.6
PEF
27.5
5.2
REG
3.6
ILP
4.4 Tiempo Total (días): 107
6.9
4.0
IEC
0.1
3.6
RCC
0.0
3.6
CMT
0.0
Actividad
3.2
EST
2.0
3.1
MTR
2.0
2.7
ACE
0.0
2.6
TIN
0.0
1.8
MAP
0.0
1.5
APB
0.0
1.1
RBA
0.0 Evaluación Post-Morten por pozo.
RGI
0.5 Tiempo Productivo (Días) Seguimiento Operacional
0.4
0.3 Tiempo Improductivo (Días) Identificación de los tiempos productivos e
DES
0.0 improductivos por pozo
Establecimiento del Límite Técnico
Análisis de Riesgo en el Marco de la Metodología
FEL – VCD – Pozos
MTR 4.62%
ILP-04 , 70
RGI 0.88%
PEF-12 , 6
PEF-17 , 38
IEC PEF-03 , 169
0.20%
PEF-08 , 91
PEF-23 - Espera por lodo, PEF-03 - Condiciones Climáticas, PEF-08 - Falla de equipo, PEF-17 - Problemas en hoyo/Arrastres, PEF-12 -
Atascamiento de tubería, ILP-04 - Condiciones Climáticas, ILP-08 - Espera por transporte, ILP-07 - Espera por Producción, REG-07 -
Problemas en hoyo/Pozo, REG-16 - Pesca no programada, EST-02 - Condiciones Climaticas, MTR-14 - Pesca no programada, RGI-08 -
Espera por compañía de servicio, IEC-03 - Espera por Producción, IEC-01 - Falla de equipo
Análisis de Riesgo en el Marco de la Metodología
FEL – VCD – Pozos
Dentro de la cartera de intervenciones a pozos 2008, el Activo R2M tiene programada la Reparación Mayor (Profundización)
del pozo R2M-102 , es por ello que requiere realizar la estimación probabilística del tiempo de la actividad, con el fin de
establecer su duración y riesgos, y proponer luego los planes de mitigación de los riesgos identificados.
10
A 1200.54 M EN TR. 11 7/8",
PASÓ MOLINO DE 10 1/4", MD
PERO NO DE 10 1/2". .60
91
SE SUBIÓ B.L. DE 9 5/8" EN 10
VEZ DE PROG. A 1750 M
12
.
B.L .51
59
17
MD
" .00
7/8 78
22
15
TR /8"
R 95
DO TE
CA N 5/8
"
PA ANE .7
EM RM B.L
PE
62
9M
D
17
75
25
18
MD
.00 .00
35 64
P.I.
26 26
MV
66
25
Estructura de Costo
Comodatorio
Logística
Depreciación de Equipo de Perforación
Mano de Obra
Otros Equipos
Seguridad y Ecología
Contenedores
Servicios
Mantenimiento de Equipos
Costo Indirecto
Costo Indirecto
Rubros dependientes de la Variable Tiempo de la Intervención
Otros Costos Indirectos
Renta de Equipo representa el 70% del Rubro “Equipo”
Análisis de Riesgo en el Marco de la Metodología
FEL – VCD – Pozos
No existen
suficientes datos
para caracterizarlo
Probabilísticamente
A B C D E F G H
Se desea estimar el costo de la nueva intervención al pozo R2M-102 (Reparación Mayor) con base al
análisis estadístico de los costos por renglones.
Determinar:
A partir de los datos estadísticos mostrados en el archivo “Ejercicio No 16 - Estimación Probabilística del
Costo.xls”.
Contenido
Día 4
Indicadores Financieros
• Los indicadores financieros son figuras de mérito que permitan calificar las diferentes opciones de
utilización de los recursos según su bondad; en otras palabras, estos indicadores ofrecen
información estandarizada y fácilmente interpretable acerca de la conveniencia o viabilidad de cada
una de las opciones evaluadas y en consecuencia, nos permiten compararlas.
• Existen múltiples indicadores financieros ampliamente utilizados; algunos de los cuales no
consideran el valor del dinero en el tiempo y se conocen como indicadores estáticos y otros que si lo
hacen y se conocen como indicadores dinámicos.
Indicadores
Financieros
• Valor Presente Neto (VPN)
•Tasa Interna de Retorno (TIR)
Dinámicos
•Periodo de Recuperación Dinámico (DPO)
•Eficiencia de la Inversión (EI)
Introducción a las Evaluaciones Financieras
Indicadores Financieros
• El indicador valor Presente Neto (VPN), también conocido como NPV (Net Present Value) por sus
siglas en ingles, es un índice que calcula el valor presente de un determinado flujo de caja
proyectado o futuro; y que busca básicamente responder la siguiente pregunta, “Cuantos dinero de
hoy representa un flujo futuro de costos y beneficios?” .
• Este método, descuenta el flujo de caja a una determinada tasa igual durante todo el periodo bajo
análisis, conocida como tasa de descuento (i), la cual ha sido previamente.
• Matemáticamente el VPN se expresa con la siguiente ecuación:
n INGRESO j EGRESO j
VPN n j
INVERSION INICIAL
j 1 (1 i )
• Para la “estimación” del Valor Presente Neto (VPN) y de casi todos los indicadores financieros de
uso frecuente, es necesario construir el llamado “Flujo de Caja Proyectado” . El Flujo de Caja
Proyectado constituye uno de los elementos más importantes del estudio de un proyecto; y el mismo
consiste en un modelo grafico que se utiliza para representar los ingresos y desembolsos de dinero
que se esperan a lo largo del horizonte económico establecido.
• Durante la construcción del gráfico que representa un flujo de caja, la dirección 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$)
Horizonte Económico
INGRESOS
t
0 1 2 3 4 5
DESINCORPORACION
Egresos
(US$) INVERSION
INICIAL OPERACIÓN + IMPUESTOS + EVENTOS NO DESEADOS
Riesgo e Incertidumbre en las Evaluaciones
Financieras – VPN Probabilístico
• En aquellos casos donde exista una incertidumbre significativa en las variables de entrada al cálculo de
indicadores financieros y en consecuencia deban representarse con distribuciones de probabilidad, es muy
importante utilizar Análisis de Riesgo basado en Simulación de Montecarlo en el marco de Evaluaciones
Financieras.
• Cuando las variables de entrada para el cálculo del VPN son aleatorias, se requiere efectuar multiples
iteraciones para obtener un estimado confiable del valor esperado del VPN; de esta forma puede obtenerse la
distribución de probabilidad completa del VPN que permite inferir el riesgo de la opción analizada, basándonos
en la dispersión de la citada distribución, obtener intervalos de confianza del VPN y calcular la probabilidad de
que el VPN<0.
• Este enfoque tiene la ventaja de permitir realizar análisis de la sensibilidad del VPN a las variables de
entrada, lo que nos conducirá seguramente a identificar las variables ofensoras del VPN y al establecimiento
de acciones para mitigar el riesgo de la opción analizada.
Flujo de Caja Proyectado
INGRESOS
Horizonte Económico
(Tiempo)
INVERSION
INICIAL IMPUESTOS
OPERACIÓN
EVENTOS NO DESEADOS DESINCORPORACION
Ingresos
0 1 2 3 4 5
0 1 2 3 4 5
Egresos
VPN
VPNE
Factor Rentabilidad
.094
.071
.047
.024
.000
-3,000.00 -500.00 2,000.00 4,500.00 7,000.00
Pr(VPN<0)
Factor de Riesgo
Riesgo e Incertidumbre en las Evaluaciones
Financieras – Flujo de Caja Probabilístico
2. Estimación Probabilística Tasa de Declinación y Perfil Producción (Q 1,, Q2,, Q3,, …... Q20)
Qo x Precio de Venta
VPNE
VPN E
Factor
Factor de Rentabilidad
Rentabilidad
Qi x Precio de Venta .094
Ingresos .071
VPN
.047
.024
.000
Pr (VPN<0)
Pr(VPN<0)
Factor de Riesgo
Factor de Riesgo
Costos de Producción
Egresos
VPNE
VPN E VPN
Factor
Factor de Rentabilidad
Rentabilidad
80000000.00 90000000.00 100000000.00 110000000.00 120000000.00 130000000.00
0.75 0.9
.094 Probabilidad de alcanzar el objetivo
.071
VPN Costo Variable (Dls/barril de petroleo) 2.345 2.100
4.93 7.46
Precio de Venta del Gas (Dls/mpcd)
1031389.83 923335.28
.047 Costo Perforación
-100% +85%
% Error Gasto.
.024
85 92
Tiempo de Aparición Frente de Agua
.000 92 98
Disponibilidad del Pozo
-3,000.00 -500.00 2,000.00 4,500.00 7,000.00 87%
MOV (horas)
5.49
Pr (VPN<0) MOV-01 (horas)
Pr(VPN<0) 22.70
Factor de Riesgo MOV-06 (horas)
Factor de Riesgo
TR
M537
M787
19.01
17.76
90.57
79.43
Portafolio de Acciones
Válvula BN
de Mitigación del Riesgo
M622 32.70 85.54
COP (horas)
M816
17.38
16.89
64.74
56.25
Empaque
M190
M154
26.09
20.64
62.45
54.22
”” Libranza Downside
Upside
M748 6.48 38.77
De la función de distribución de probabilidad del VPN, se obtienen dos parámetros importantes: El factor
de rentabilidad y el factor de riesgo.
El factor de rentabilidad está representado por la media de la distribución o valor esperado de VPN.
El factor de riesgo, esta definido como el área bajo la curva que representa la probabilidad de destruir
valor, generalmente esta limitada por valores de VPN igual o menor a cero.
ENTRADAS
(INFORMACIÓN) MODELO SALIDA
VPN E
Factor de Rentabilidad
Función de Densidad
.089
VPN
.067
Horizonte n
Económico .045
Ing. .022
Ingresos
n Ingj Egrj .000
Inicial VPN
.75
Tasa de i
Descuento .50
Pr(VPN<0)
.25
Factor de Riesgo
.00
Ejemplo Integrador II
Día 5
Modelos de Jerarquización
Permiten presentar la jerarquización de alternativas, a través del uso de criterios
técnico-financieros con la finalidad de apoyar la toma de decisiones.
Mono criterio
Tipos de Modelos
Matriz de Jerarquización
De Jerarquización
Multicriterios
Proceso Analítico de Jerarquización
AHP (Analytical Hierarchy Process)
Modelo de Jerarquización
Matriz de Jerarquización 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 jerarquización se estudiará la conocida “Matriz de
Jerarquización de Proyectos”
Factor de Riesgo: probabilidad de que el VPN sea Factor de Rentabilidad: media, esperanza
menor que “0” (área azul) y coordenada “x” de cada matemática o valor esperado de la distribución del
proyecto. VPN (VPNE), y coordenada “y” de cada proyecto.
Análisis de Riesgo en el Marco de la Metodología
FEL – VCD – Pozos
2500
3000 CAE-3
2000 BCF-3
VLA-1410
VPN
2500 1500
APK-4
1000 APK-5
2000 AOL-2
500
1500 0
0,0% 10,0% 20,0% 30,0% 40,0% 50,0%
FACTOR DE RIESGO
1000
Modelos de Jerarquización de Carteras de Proyectos
Modelo de Jerarquización
Modelo de Jerarquización de Boston
10.0
Cuadrante I
1
5.0 2
3
0.0
-320 -270 -220 -170 -120 -70 -20 30 80
Eficiencia deEIla Inversión
-5.0
-10.0
-15.0
-20.0
-25.0
-30.0
Cuadrante II
-35.0
VPN (MMDls)
Representa una matriz de jerarquización de proyectos en función de sus indicadores económicos VPN y
EI. Los pozos ubicados en el primer cuadrante serán rentables, y serán mejores aquellas intervenciones
que se ubiquen en el área de mayor eficiencia y máximo VPN. Las intervenciones a pozos ubicadas en el
segundo cuadrante representarán pérdidas al Activo.
Análisis de Riesgo en el Marco de la Metodología
FEL – VCD – Pozos
Journel
“ ...En una epoca de cambios permanentes,
el futuro pertenece a los que siguen
aprendiendo.......
....los que ya aprendieron,
se encuentran equipados para vivir
en un mundo que ya no existe.”
Eric Hoffer