Presentación - ADR & I en Pozos Perforar y Reparar FEL - VCD 22-11-09 PDF

Análisis Probabilístico de Riesgo y Administración de la
Incertidumbre en Perforación y Reparación de Pozos

Un enfoque FEL - VCD
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
TOPE ESTRUCTURAL NARICUAL SUPERIOR

PERFIL DE PRODUCCION DEL YACIMIENTO
BANDA
14,00
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
Operaciones con Variables Aleatorias

Simulación de Montecarlo
Correlaciones Probabilísticas
Análisis de Sensibilidad
Sensibilidad Tipo I:
Contribución a la Varianza y Correlación por Ranking
Sensibilidad Tipo II
Gráfico de Tornado y Gráfico de Araña
Aspectos Especiales de la Caracterización Probabilística de Variables
Muestras Pequeñas
Influencia del Tamaño de Muestra en la Caracterización Probabilista de Variables
Incertidumbre en los “parámetros”
Probabilidad “p”
Media o Promedio
Contenido
Día 3
Análisis de Riesgo en el Marco de la Metodología FEL – VCD – Pozos

Ejemplo Integrador I
Modelo Integrado del Activo (MIA) – Parte I – PRONÓSTICO DE PRODUCCIÓN
Sub Modelo Probabilísta de Pozos – Parte I
Estimación Probabilísta del Gasto Inicial
Modelo 1: Desviación Histórica
Modelo 2: Modelos de Afluencia
Estimación de la Probabilidad de Éxito y Fracaso
No Esperado de Exitos
Gasto Inicial “Esperado”
Estimación Probabilísta del Pronóstico de Producción
Perfil Probabilísta de Producción
Perfil Probabilísta Esperado o Pronóstico de Producción
Contenido
Día 4
Análisis de Riesgo en el Marco de la Metodología FEL - VCD

Análisis Cuantitativo de Riesgo en Pozos – Parte II – PRONÓSTICO INVERSIÓN INICIAL
Modelo Probabilista de Tiempos de Perforación
Modelo Probabilista de Costos de Perforación
Análisis Cuantitativo de Riesgo en Pozos - Modelo Probabilísta de Evaluaciones Financieras
Evaluación Financiera Probabilísta de Proyectos de Perforación
Ejemplo Integrador II
Contenido
Día 5

Administración de Portafolios de Proyectos de Perforación y Reparación Mayor
Modelos de Jerarquización de Opciones
Matriz Rentabilidad Riesgo
Matriz de Boston
Conceptos Básicos
Incertidumbre
“La certidumbre absoluta es un privilegio de

mentes poco educadas y de fanáticos”
C.J Keyser
Incertidumbre
Incertidumbre
1 2 CONCEPTOS BASICOS
CONCEPTOS BASICOS
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).
El escenario más común 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 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
“La Incertidumbre es una medida de la inseguridad o grado de desconocimiento

acerca de una variable, proceso o fenómeno bajo estudio”
Conceptos Básicos
Riesgo
“ Si hay INCERTIDUMBRE, hay Riesgo”
“…y si no hay incertidumbre, estamos

hablando del pasado”
Conceptos Básicos
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
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.
Ejemplos típicos de eventos no deseados, entre muchos otros, son:
• Desviación de los valores esperados
• Fallas de equipos y sistemas.
• Accidentes y enfermedades.
• Catástrofes naturales.
• Huelgas; confrontaciones políticas y guerras.
• Errores humanos y desaciertos en general.

Conceptos Básicos
Riesgo – Ecuación Universal
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:
Riesgo f ( Si ,Pi ,Ci ) Riesgo Pi xC i

Si
Conceptos Básicos
Análisis de Riesgo
“ El Análisis de Riesgo es una Ciencia de

Toma de Decisiones en Ambientes con
Incertidumbre ”
Conceptos Básicos
Análisis de Riesgo
“ El Análisis de Riesgo, algunas veces llamado Análisis para la Toma de Decisiones, es la

disciplina para ayudar a los “tomadores de decisiones” a seleccionar opciones óptimas en
ambientes de incertidumbre ”
John R. Schuyler
Análisis de naturaleza probabilística que permite

soportar una decisión con base en la cuantificación y
ponderación de la probabilidad de éxito con sus
beneficios y la probabilidad de fracaso con sus
consecuencias.
El propósito fundamental es soportar el proceso de

toma de decisiones con las siguientes características:
 Hechos, experiencias y datos duros.

 Toman en cuenta la “incertidumbre” de las variables consideradas en el análisis, y las
consecuencias de las decisiones tomadas.
 Son verificables y por lo tanto perfectibles.
Conceptos Básicos
Áreas del Análisis de Riesgo
Estima las probabilidades de ocurrencias de los

eventos indeseados y sus correspondientes
consecuencias.
Area 1:
Dimensionamiento
del Riesgo
Area 2: Area 3:
Administración Comunicación
del Riesgo del Riesgo
Evalúa la tolerabilidad a los niveles de riesgo Establece mecanismos para explicar y

previamente dimensionados bajo un contexto difundir las estimaciones y decisiones
social, humano, político y económico. tomadas.
Conceptos Básicos
Escuelas de Análisis de Riesgo

Escuela Básica : Análisis de Riesgo por
Índices Subjetivos de Riesgo
• Herramienta Base de Análisis: Matrices de Multiples

Atributos
• Producto: Calificación del Riesgo (Alto, Medio, Bajo)

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

Riesgo – Quantitative Risk Analysis (QRA)
• Herramienta Base de Análisis: Caracterización Probabilística

Area 2: Area 3: de la Información de Variables y Modelaje Estocástico de
Comunicación Procesos (Probabilidad y Estadística Descriptiva)
Administración
del Riesgo del Riesgo • Producto: Cuantificación del Riesgo.
•Virtud: Reducción de la Subjetividad y Trazabilidad del Análisis
• Debilidad: Complejidad
Conceptos Básicos
Decisión
“ En el mundo real, al final, tenemos la

irrenunciable obligación de decidir ”
“No decidir es una decisión”

Conceptos Básicos
Conceptos Básicos
Decisión
En su acepción mas simple, decisión puede definirse como sigue:
“Decisión es un proceso más que el simple hecho de elegir entre alternativas”, es un

proceso que incluye identificar un problema, elegir una alternativa y evaluar la eficacia de
dicha decisión.” (Robbins, 1996 : 111)
“Elección consciente entre diversas alternativas analizadas, a la que sucede

la acción para poner en práctica la alternativa elegida.” (Ivancevich, 1996 :
158).
No obstante, las decisiones contemporáneas 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 combinación de alternativas.
• Seleccionar la opción optima entre un conjunto de alternativas de la
misma naturaleza respecto a varios criterios (optimizar).
Conceptos Básicos
Conceptos Básicos
Naturaleza del Proceso de Decisión
PASADO PRESENTE FUTURO
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.
Esos futuros pueden ser predecibles o aleatorios.

Conceptos Básicos
Conceptos Básicos
Toma de Decisión
La toma de decisiones en esencia es un proceso complejo, y adquiere aun mayor

complejidad cuando la información es incompleta, incierta o difusa (Incertidumbre).
El competitivo ambiente de negocios actual, obliga a las empresas a tomar
decisiones en ambiente de incertidumbre.
En ambientes de
Decisión incertidumbre todas las
decisiones implican riesgo.
En ambientes de
incertidumbre.
Conceptos Básicos
Estadística
“Marco matemático para predecir el futuro

modelando la experiencia.”
Conceptos Básicos
Probabilidad y Estadística
La Probabilidad y la Estadística constituyen los pilares matemáticos fundamentales
para tomar decisiones administrando el riesgo y la incertidumbre
“IF YOU TORTURE THE DATA LONG ENOUGH; IT WILL

CONFESS”
Anónimo
“Si usted tortura la data lo suficiente, ella confesará”
Contenido
Día 1
Conceptos Básicos:
Incertidumbre
Decisión
Estadística
Muestras Grandes
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
Estimados Clase V Clase IV Clase III

de Costos -35% - 50% -25% - 35% -15% - 20%
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
ELEMENTOS DIFERENCIADORES METODOLOGÍA FEL
Entre los elementos diferenciadores de la metodología FEL, vale la pena destacar dos
particularmente importantes:
La metodología obliga a la identificación, evaluación y jerarquización de múltiples posibilidades

de desarrollo. Este proceso se soporta en su etapa inicial en la llamada “Matriz de
Visualización de Opciones”
El proceso FEL es una metodología de Administración de Proyectos que sustenta sus
resultados en análisis cuantitativo de riesgo; lo que implica la rigurosa Caracterización
Probabilista de las Variables, así como la cuantificación y propagación de las incertidumbres que
se traducen en riesgos para el proyecto; tales como las variables físicas que gobiernan el
yacimiento, las variables asociadas a la extracción, transporte y almacenamiento de la
producción y las financieras que regulan la rentabilidad del negocio.
Contenido
Día 1
Conceptos Básicos:
Incertidumbre
Decisión
Estadística
Muestras Grandes
Incertidumbre en la Industria del
Gas y del Petróleo
1.- Hay un Yacimiento de Hidrocarburo ?

• Trampa
• Roca Fuente
Prospecto • Migración Incertidumbre Geológica
• Sello
• Productividad
2.- Cuánto petróleo hay en el yacimiento?
• Volumétrico
• Curvas de declinación
VOI • Balance de Materiales
• Simulación Matemática
3.- Cuánto de ése petróleo es extraíble? Incertidumbre Volumétrica
• Reservas Probadas
RESERVAS • Reservas Probables
Fr • Reservas Posibles
• Reservas por descubrir
Gas y del Petróleo
4.- Cuáles son los mecanismos de producción asociados a esa extracción?
• Expansión roca - fluido

Mecanismos
de • Gas en solución
Producción • Capa de gas
• Influjo de agua
• Segregación Gravitacional
5.- Qué tan exitosa puede ser la extracción?
•Tipo de Completacíón
Incertidumbre de
Técnicas de •Tecnología de Perforación,
Producción
Perforación •Tiempo de Perforación
•Incertidumbres Operacionales.
• Flujo Natural, Gas Lift, BES, BCP,

• Bombeo Mecánico, Bombeo Hidráulico etc.
Métodos de
Producción • Confiabilidad del Método de Producción
Gas y del Petróleo
6.- Durante cuánto tiempo puede producir el yacimiento?
• 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?
• Precio de Venta del Crudo

• Costo de Producción
Rentabilidad Incertidumbre
• Tasa de Descuento
• Variables Macroeconómicas Financiera
• Mercado
Gas y del Petróleo
Ejemplo Introductorio
Ver Ejercicio Introductorio – Eval. Económica Pozo.xls 

Gas y del Petróleo
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
Gas y del Petróleo
Como tomar decisiones en presencia de Incertidumbre?
• Alto Riesgo
•
Ignorarla y •
Alto Impacto
Dependencia del Factor Suerte
Decidir • Ambiente Reactivo
GAP DE OPCIONES
• Sub o Sobre Dimensionamiento
Tratar de • Altos Costos en Sistemas de Información

Eliminarla para • Conflicto por Calidad del Dato
• Parálisis por Análisis
Decidir
Considerarla en el
• GERENCIA DE LA
Análisis, Cuantificarla INCERTIDUMBRE
y Decidir
Gas y del Petróleo
Administración de la Incertidumbre
"Administrar la incertidumbre es el arte

de tomar decisiones cuantificando
aquello que no se observa a simple
vista, evaluando su impacto en el
modelo de decisión y mejorando nuestro
nivel de conocimiento cuando ello es
técnicamente factible y económicamente
rentable”.
Gas y del Petróleo
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
Decisión
Estadística
Muestras Grandes
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
Enfoque Enfoque Subjetivo

Bayesiano
Basada en “grado de conocimiento”
(“Grado de creencia”)
Muestra
Población
Muestra Representativa
Los siguientes aspectos son los atributos fundamentales de una muestra

representativa:
• Robustez: La muestra contiene la cantidad suficiente de datos para que se puedan

hacer inferencias válidas y minimizar el margen de error.
• Representatividad: Los elementos de la muestra reproducen la realidad de los
procesos y variables bajo análisis; es decir, los atributos del dato son coherentes y
corresponden a las condiciones y características del proceso.
• Sin Sesgo: La muestra debe tener elementos de todas las áreas del proceso, para
representar adecuadamente su heterogeneidad.
• Estandarización: Los datos de la muestra deben tener atributos y formato
predefinido para reducir inconsistencias.
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
.042 p(X=xi): representa la probabilidad que la variable

.000
aleatoria “X” tome el valor xi.
2 3 4 5 6 7 8 9 10 11 12 X
x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11
Variable Aleatoria, Random, Distribuida o Dispersa
Suma de los puntos obtenidos en el lanzamiento de dos dados

Si lanzamos dos dados a la vez, tenemos:
36 posibles combinaciones ( 62)
La variables random “Suma de los puntos obtenidos en cada dado”,

Puede tomar cualquiera de los siguientes 11 probables valores
2,3,4,5,6,7,8,9,10,11 y 12
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
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.
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”.
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
f(x) Histogramas de Frecuencias f(x) Distribución Parametrica

2
1 x
1 2
f (x) .e
Frecuencias
x x
Estadística de la Muestra
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
0.3 El histograma de frecuencias permite

preguntas como:
0.25
Frecuencia
¿Cuál es la probabilidad de que X tom

0.2
valor xi?
0.15
¿Cuál es el valor o el rango de valores
0.1 probabilidad de ocurrencia?
0.05
¿De qué manera se distribuyen los pro
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
Distribuciones de Probabilidad “NO PARAMÉTRICAS” - Formato

Histograma de Frecuencia
0.35
0.3 El histograma de frecuencias permite contesta

preguntas como:
Histogramas de Frecuencias 0.25
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
Frecuencias Frecuencias Histograma Acumulado Directo

1.2
Relativas Acumuladas 1
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
Aceleración de Gravedad (mts/seg2)

10.6 – 10.9
Histograma Acumulado Inverso

1.2
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
Aceleración de Gravedad (mts/seg2)
Consultar Libro Confiabilidad Integral – Tomo I (pag 62 - 66 )

Distribuciones de Probabilidad no Paramétricas

Histogramas de Frecuencia
Para construir un histograma de frecuencias relativas deben seguirse los siguientes pasos:
1. Determinar el recorrido o amplitud de la población o muestra, restando el valor máximo menos el

mínimo.
2. Dividir el recorrido en un número de rangos o clases, seleccionados convenientemente de forma de

no desvirtuar el dominio de la variable aleatoria.
k 1 3.3 * log( n) donde K: No. de Clases n: No. datos de la muestra
3. Contar el número de observaciones que corresponden a cada rango o clase
4. Calcular la frecuencia relativa para cada rango o clase con la siguiente fórmula:
(Nº observaciones en rango o clase i)

Frecuencia Clase i =
(Nº total observaciones)
5. Construir el gráfico resultante

Distribuciones de Probabilidad no Paramétricas - Histogramas de Frecuencia
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:
1.- Elaborar un histograma de frecuencias de la variable random “porosidad del yacimiento”.

2.- Elaborar un histograma acumulado directo de la variable random “porosidad del yacimiento”
Consultar Lectura No 1.xls
Ver Ejemplo No 1 – Histogramas (Porosidad).xls 


Estadística
s
Media Desviación Estándar
n
1 n 1 2
X = xi s . xi X .
n i 1 n 1 i 1
Percentiles 0.8

Ejercicio No 2: La tabla anexa contiene una muestra de 100 valores del tiempos correspondientes
a una de las actividades rutinarias en la secuencia operacional de perforación de un pozo.
Actividad: Bajar Conductor de 13. 3/8" y posterior a su bajada a fondo, cementación.
P ara 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 estadística de “Excel”, calcular:
• Media de la Muestra
• Desviación Estándar de la Muestra
• Percentiles 60 y 80
Consultar Lectura No 1.xls
Ver Ejemplo No 2 - Histogramas (Act Perforación).xls 

Estadística Descriptiva – Estadística de la Población
Estadística de la Población
Distribuciones de Probabilidad “PARAMETRICAS”

Una distribución de probabilidad paramétrica es una función matemática teórica, que describe la
forma en que se espera que varíen los probables valores de una variable random, es decir, una función
matemática que relaciona los diversos probables valores que puede tomar una variable random con la
probabilidad de ocurrencia de cada uno de ellos.

2
1 x
1 2
f (x) .e
Frecuencias
x x
Distribuciones de Probabilidad “PARAMETRICAS” - Formatos

Al igual que para las distribuciones no paramétricas, existen dos formatos para cada distribución paramétrica,
el formato de “frecuencia relativa o densidad” y el formato “acumulado“.
Distribución de frecuencias o densidad de probabilidad f(X)

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

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

1
1.0 SE DEFINE COMO:
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
Distribuciones de Probabilidad “PARAMETRICAS” - Formatos

Distribución de probabilidad acumulada inversa - C(X)
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
Distribuciones de Probabilidad “PARAMETRICAS” - Estadísticas
XM =MODA (valor de la variable con

mayor probabilidad de ocurrencia)
f(x)
=MEDIA (medida de la tendencia
central, o valor esperado
de la variable)
=Desviacion estandar
(Medida de la dispersion incertidumbre
asociada a la variable)
XM
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
Una distribución se caracteriza por:

•El valor central o medida de posición (la meDía, la meDíana o la moda).
•Una cantidad que expresa el grado de dispersión (la desviación estándar).
•La forma de la curva, es decir la forma general de la distribución probabilística
Distribuciones de Probabilidad “PARAMETRICAS”.

Medidas de Posición (media, moda y mediana)
f(x) f(x)
xm x 50 % X xm X
x50%
=media; xm: moda; x50%: mediana
Media Moda Mediana

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

Medidas de Dispersión- Desviación Estándar
1
2
(x ) 2 . f ( x)dx

Percentiles Estadísticos
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

Intervalo de Confidencia.
f(x)
El intervalo de confianza es aquel en el cual se
puede decir que se encuentra el valor real con
cierto grado de confidencia.
f(xa) Mientras más amplia sea la distancia entre los

f(xb) limites del intervalo, la probabilidad de que el valor
real se encuentre dentro del intervalo es mayor, lo
xa xb X cual aumenta el rango de variación.
/2 Intervalo de
/2
F(x) Confianza
CONFIDENCE
INTERVAL
Los valores de “xa” y “xb” representan los limites
de confianza; la probabilidad “ ” representa el
F(xb) grado de confianza o probabilidad de que le valor
real de la variable “X” se encuentre en el intervalo
entre “xa” y “xb” .
F(xa)
xa xb X
Distribuciones de Probabilidad “PARAMETRICAS”

Modelos Paramétricos de uso común
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
Consultar Libro Confiabilidad de Integral – Tomo I (pag 67 – 92)

Distribuciones de Probabilidad “PARAMETRICAS” - Modelos Matemáticos

Distribución de Densidad Distribución de Probabilidad Distribución de Pobabilidad
de Probabilidad o “pdf” Acumulada Drecta o “CDF” Aumulada Inversa.
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
Distribuciones de Probabilidad “PARAMETRICAS” – Calculo Parámetros

Parámetro 1 Parámetro 2
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
De la Estadística de la Muestra a la Estadística de la Población
De la Estadística de la
Muestra a la de la Población
Caracterización probabilística de la muestra o

“¿Cómo seleccionar el modelo de distribución de
probabilidad para una muestra dada? ”
De la estadística de la muestra a la de la población
Estadística de la Muestra Estadística de la Población

Distribución No Parametrica Distribución Parametrica
2
1 x
1 2
f (x) .e
Frecuencias
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

Caracterización probabilística de la muestra o “¿Cómo seleccionar el modelo de
distribución de probabilidad para una muestra dada? ”
Procedimiento General
Paso 1: Construir el Histograma de Frecuencia Acumulada de la Muestra

Paso 2: Plantear hipótesis de las distribuciones paramétricas que podrían hacer un buen
ajuste con los datos.
Paso 3: Calcular los parámetros de cada una de las distribuciones hipótesis con los datos de
la muestra.
Paso 4: Graficar sobre el Histograma de Frecuencia Acumulada de la muestra, las Curvas de
Probabilidad Acumuladas Directas, de cada una de las hipótesis establecidas en el Paso 2
Paso 4: Realizar alguna de las Pruebas de Bondad de Ajuste.

Caracterización probabilística de la muestra o “¿Cómo seleccionar el modelo de
distribución de probabilidad para una muestra dada? ” - Procedimiento General
f(x)
9
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
Caracterización Probabilística de Variables desde los datos de la Muestra

Test de Bondad de Ajuste
Estas pruebas consideran las siguientes
etapas:
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
Si el Valor del Test < Valor Crítico

La Hipótesis es aceptada, de lo contrario se
rechaza

Sugerencias para Plantear “Hipotesis” sobre Modelos de Probabilidad que puedan
hacer un buen ajuste sobre los datos de una Muestra
Variables Físicas
Variables Relacionadas con Tiempo Variables por Opinión Expertos

Beta Pert
Variables Relacionadas Variables Relacionadas

con Desviación o Error con Éxito y Fracaso

Ejercicio No 3: La tabla anexa contiene una muestra de 100 valores del tiempos
correspondientes a una de las actividades rutinarias en la secuencia operacional de
perforación de un pozo.
Actividad: Bajar Conductor de 13. 3/8" y

posterior a su bajada a fondo, cementación.
P ara los datos suministrados, se solicita:
Utilizando el software RARE – Goodness of Fit,

caracterice en forma probabilística la variable
“Tiempos de la Actividad de Perforación”
encontrando la distribución paramétrica que
mejor represente los datos y las estadísticas
mas representativas para dicha variable
Ver Ejemplo No 3 - Histogramas (Act Perforación).xls 


Ejemplo No 4.
La tabla que se muestra a continuación, muestra los valores de “Porosidad” medidos en 40 puntos (pozos)
de un yacimiento de petróleo.
Utilizando el software Crystall Ball, caracterice en forma probabilística la variable en estudio encontrando
la distribución paramétrica que mejor represente los datos. Adicionalmente represente estos datos con la
distribución :
2.1.- En su forma de frecuencia
2.2.- En su forma acumulada
Calcule las siguientes magnitudes
de interés: meDía, desviación
estandar, percentil 10, 50 y 90 e
intervalo del 80% de certeza
Consultar Lectura No. 2
Ver Ejemplo No 4 – Histogramaas (Porosidad CB).xls 

“¿Cómo representar una variable aleatoria

cuando la evidencia muestral es nula o
demasiado pequeña? ”
Caracterización Probabilística de las Variables a partir de la Opinion 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.
2.- Técnicas Matemáticas para Modelar la Opinión; lo que implica:
• Uso de Distribuciones de Probabilidad como BetaPert, LogNormal, Triangular y Uniforme

para modelar la opinión.
• Teorema de Bayes; como método matemático para combinar la opinión de expertos, con evidencia
o datos propios.

Distribución BetaPert La Distribución BetaPert se utliza para representar probabilísticamente la
opinión de expertos en los siguientes casos:
La opinión del experto viene expresada en tres valores; un

mínimo (Xmin), un valor mas probable (Xmprob) y un máximo
f(X
) )
(Xmax).
0,45 • La variable que se esta representando es una variable
0,4 “física” o una variable relacionada con “tiempo”
0,35
0,3
0,25
0,2
0,15 1 1
( ) X X min X X min
0,1 f(X) .1
0,05 ( ). ( ) X max X min X max X min
0
0,1190 0,1390 0,1590 0,1790 0,1990 0,2190 0,236 = ( - xmin)*(2*xmprob - xmin -xmax) / [(xmprob - )*(xmax - xmin)]
= * (xmax - ) / ( - xmin)
Xmin Xmas probable Xmax
= (xmin + 4 * xmprob + xmax) / 6
= (xmax - xmin) / 6
EXPERTO

Distribución Triangular La Distribución Triangular se utliza para representar probabilísticamente la
Mínimo valor posible de la variable = Xmin
• La opinión dl experto viene expresada en tres valores; un mínimo
EXPERTO Valor mas probable de la variable = Xmprob
(Xmin
Máximo valor posible de),la un valor
variable mas probable (Xmprob) y un máximo (Xmax).
= Xmax
f(x)
• La variable que se esta representando es una variable relacionada con
“Costos”
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

Distribución LogNormal La Distribución LogNormal se utliza para representar probabilísticamente la
• La opinión del experto viene expresada en dos valores; un mínimo (Xmin) y

un máximo (Xmax). El experto expresa que debe haber un valor mas probable
pero no puede estimarlo.
• La variable que se esta representando es una variable “física” o una
variable relacionada con “tiempo”
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

Distribución Uniforme La Distribución Uniforme se utliza para representar probabilísticamente la
• La opinión del experto viene expresada en dos valores; un mínimo (Xmin) y

un máximo (Xmax). El experto expresa que “no hay un valor mas probable” es
decir estima que todos los valores en ese rango tienen la misma probabilidad
de ocurrir.
f(x)
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
Caracterización Probabilística de Variables desde la Opinión de Expertos

- Ejemplo No 5 - Parte I
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)
Mínimo Mas Probable Máximo
19 34 150
Ver Ejemplo No 5 – Opinion de Expertos xls 

Caracterización Probabilística de Variables desde la Opinión de Expertos

- Ejemplo No 5 - Parte II
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:
Factor de Mínimo 0.12275

Declinación
Yacimiento Máximo 0.3826
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
Ver Ejemplo No 5 – Parte II – Opinion de Expertos xls 

Contenido
Día 2

Muestras Pequeñas
Media o Promedio
Operaciones con

Variables de Entrada Modelo Variable de Salida
(Información) (Información) (Variable de decisión)
,083
,062
E
(A+B+C)
E= ,041
D ,021
,000
50.680,17 54.456,64 58.233,11 62.009,58 65.786,05
1,000
,750
E
,500
,250
,000
50.000,00 54.375,00 58.750,00 63.125,00 67.500,00
ETAPA 1: ETAPA 2: ETAPA 3:

CUANTIFICACION DE LA INCERTIDUMBRE PROPAGACION DE LA CUANTIFICACION DE LA INCERTIDUMBRE
ASOCIADA A LAS VARIABLES DE ENTRADA O INCERTIDUMBRE ASOCIADA A ASOCIADA A LA VARIABLE DE SALIDA O
CARACTERIZACION PROBABILISTICA DE LAS CADA VARIABLE EN EL MODELO RESULTADO, O CARACTERIZACION
VARIABLES DE ENTRADA MATEMATICO. PROBABILISTIA DEL RESULTADO
Operaciones con Variables Aleatorias – Ejemplo No 6

Se propone realizar una Actividad de Perforación “B”, y el equipo de ingenieros necesita estimar el tiempo total de la
actividad, con la finalidad de optimizar la programación de recursos.
Suponga que para realizar esta actividad se realizan tres sub-actividades básicas (SAct.1,SAct.2,SAct.3). En las
siguientes tablas se presentan los tiempos para cada una de las sub-actividades, a partir de dos fuentes de
información, datos históricos de pozos de estructura similar y opinión de expertos.
Sub-Act.1 Sub-Act.2 Sub-Act.3

12.805 Mínimo 4 2
11.603 Mas Probable 10 8
12.634 Máximo 17 32
10.243
6.572
15.218
14.397 Con esta información conteste las siguientes preguntas:
17.782
25.959 1.- Cuál es la probabilidad que la actividad de perforación “B” se complete antes de 30 días.
19.044
19.926 2.- Si tuviese que suministrar sus estimados sobre el “Tiempo para realizar la Actividad “B“”,
19.311
19.578
cual sería su respuesta . Justifíquela
18.365
9.778
15.345
11.222
18.483
14.091
11.778
Ver Ejemplo No 6 – Operación con Variables (Tiempo Actividad).xls 
Operaciones con Variables Aleatorias – Ejemplo No 6 (Solución)
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
La probabilidad que la actividad se complete en menos de 30

días es de 25.21%
El valor esperado del tiempo de ejecución de la actividad “B” es
de 34.61 días. Existe 80% de certeza que la actividad “B”
se completará entre 26.38 y 42.65 días
Dimensionamiento de la Incertidumbre – Propagación de la

Incertidumbre
Variables de Entrada Modelo Variable de Salida
(Información) (Información) (Variable de decisión)
,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
SOLUCIÓN NUMÉRICA SOLUCIÓN ANALÍTICA

Método de Simulación de Método de los Momentos
Montecarlo (Serie de Taylor)
Dimensionamiento de la Incertidumbre – Propagación de la Incertidumbre – Simulación de Montecarlo
Fijar No. Iteraciones requeridas = m
j=1
Generar aleatoriamente, un valor de cada variable, desde sus respectivas Distribuciones de

Probabilidad
f(X 1) f(X 2) f(X n)
Mean = 0,2205 Mean = 56,2027

………………. Mean = 0,2225
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
Sustituir en la Función “g”, el conjunto de valores generados aleatoriamente y resolver en forma

determinística, para obtener un probable valor de Y para esta iteración
Yj = g (X1i,X2j,X3j,…,Xni)
Registrar y Almacenar Resultado

Yj
SI
j <m? j=j+1
f(Y)
NO
,083
Con los “m” valores calculados de Y (desde Y1 hasta Ym), ,062
,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 – Ejemplo No 7 – Planteamiento del Problema

De la población total de actividades en la secuencia de Reparación Mayor de un Pozo, asumiremos que las
actividades que conformarán la reparación son las listadas a continuación:
1.- Deslizar (D)
2.- Control de Pozo (CP)
3.- Recuperar Aparejo de Producción (RAP)
4.- Perforar (P)
5.- Escarrear Tubería y Rimar Boca de Liner (ETRB)
6.- Estimulación (E)
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 – Ejemplo No 7 - Datos

D (hrs) CP (hrs) RAP (hrs) P (hrs) ETRB (hrs) E (hrs)
13 28 22 82.5 44 72
20 47 49 66.5 21 37
8 40 21 57 33.5 20.5
24 27.5 36 118.5 30 46
12 65 22 58 17 153
11.5 23.5 21 172 39 122
21 112.5 81 51 18 18
5.5 59.5 28.5 154.5 20.5 28
13.5 17.5 37.5 167 19 158
5.5 33.5 88.5 68 36 43.5
9.5 24 34.5 304 28.5 31.5
10 61 154.5 184 38 47.5
12 20 22.5 186.5 86 116.5
29.5 66.5 181.5 83 77.5 25
14.5 10 33 166 142.5
29 39 35.5 105.5
11.5 83 42 10
10 52 26 40.5
7 24 31.5 48
10 24.5 41 20.5
4 41.5 53 41
12 29 70 7.5
3 96 105.5 31.5
9 19.5 41.5 20
11.5 87 50 28.5
3 12 74 22.5
19 51 74.5 8.5
22.5 19 71.5 23
9 85 52 70
57 42 59.5 48.5
9 56 163 10
11 53 42 44.5
11.5 35 47 5.5
15 56 22.5 90
44 95.5 58.5 7
13 43.5 27.5
21 53 83
26 110.5 46.5
14 158 94.5
8 83 30.5
9 46 89
32 46.5
34 62.5
95.5 41
105 110.5
27 47
38.5 99
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.
Variables Sensibles del

Identificar Proceso
Centrar Variables Críticas

Atención
Tomar Técnicamente Factibles

Decisiones
Económicamente
Rentables
Análisis de Sensibilidad – Tipos de Sensibilidad
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
Análisis de Sensibilidad – Tipos de Sensibilidad
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
Análisis de Sensibilidad - Contribución a la Varianza
En este Díagrama la contribución de cada variable de entrada a la dispersión de la variable de salida se

cuantifica a través del calculo del Coeficiente de Covarianza entre cada una de las variables de entrada.
Análisis de Sensibilidad - Coeficiente de Correlación por Ranking
En este Díagrama la contribución de cada variable de entrada a la dispersión de la variable de salida se

cuantifica a través del calculo del Coeficiente de Correlación por Ranking o Coeficiente de Spearman
entre cada una de las variables de entrada.
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
Se determina un valor referencia de la variable de Daño (S) 0.53 -2.49

salida, evaluando la ecuación que la relaciona con
las variables de entrada para los valores “medios” K 437.84 669.97
de estas (valor referencial).
Viscosidad (μ) 120.13 99.87
Partiendo de este valor referencia, se hace variar a
la vez una de las variables de entrada desde un Bo (BY/BN) 1.06 1.06
valor mínimo que puede corresponder a su percentil
10 (P10) hasta un valor máximo que puede
seleccionarse como su percentil 90 (P90), y se Qo= Input
Variable Downside Upside Range Downside Upside Base Case
determina qué tanto se incrementa o decrece el ANP 675.07 3138.08 2463.01 222.75 1035.48 498.15
valor de la variable de salida de su valor referencial. Pe-Pwf (psi) 792.40 2132.42 1340.02 301.59 811.60 574.59
Daño (S) 2120.09 1276.69 843.41 -2.49 0.53 -0.64
K 1181.30 1807.58 626.27 437.84 669.97 559.56
Este procedimiento se repite para cada una de las Viscosidad (μ)

Bo (BY/BN)
1662.90
1511.24
1382.33
1506.29
280.56
4.95
99.87
1.06
120.13
1.06
110
1.06
variables de entrada.
Análisis de Sensibilidad – Gráfico de Araña
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
Curvas con pendientes

3000
pronunciadas quieren decir
K que tienen una alta influencia
ANP sobre la variable de salida.
2000
(Pe - Pwf)
Curvas casi horizontales que
Daño (S)
1000 indican el poco efecto que
Viscosidad (μ) tienen sobre la variable de
Bo (BY/BN) salida
0
10.0% 30.0% 50.0% 70.0% 90.0%
Percentiles of the variables

Simulación de Montecarlo y Análisis de Sensibilidad
Ejemplo No. 8: Estimación (Pronóstico) del Gasto Inicial de un Pozo
Con base en la Lectura No 3 “Simulación de Montecarlo y Análisis de Sensibilidad - Qo .pdf” se plantea

un ejemplo que se divide en 7 etapas
Parte 1: Estimar el Gasto Inicial de Producción para un Pozo
Parte 2: Realizar un Análisis de Sensibilidad de la Gasto Inicial de Producción por el Método de

Contribución a la Varianza
Parte 3: Realizar un Análisis de Sensibilidad de la Gasto Inicial de Producción por el Método de

Correlación por Ranking
Parte 4: Realizar un Análisis de Sensibilidad de la Gasto Inicial de Producción con un Diagrama de

Tornado
Parte 5: Realizar un Análisis de Sensibilidad de la Gasto Inicial de Producción con un Gráfico de Araña
Ver Ejemplo No. 8 – Simulación de Montecarlo y Análisis de Sensibilidad – Qo.xls 

Lectura No.5: Simulación de Montecarlo y Análisis de Sensibilidad – Qo y Perfil
Simulación de Montecarlo y Análisis de Sensibilidad
Ejemplo No. 8: Estimación (Pronóstico) del Gasto Inicial de un Pozo - Solución

Operaciones con Variables Aleatorias – Correlaciones Probabilísticas

Se dice que dos variables aleatorias o distribuidas están correlacionadas, o que son interdependendientes si
existe una relación monotónica entre ambas. Una relación monotónica entre dos variables existe cuando
cualquier incremento en una de las variables esta invariablemente asociada con un incremento o decrecimiento
en la otra variable.
Para detectar la posible existencia de 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
• Costo de la Energía e Inflación (Correlación Positiva)

• Precio del Producto y Volumen de Ventas (Correlación Negativa)
• Altura y Peso de los habitantes en USA (Correlación Positiva)
• Permeabilidad y Porosidad en un Yacimiento (Correlación Positiva)
Variables Positivamente Variables Negativamente Variables No Correlacionadas o
Correlacionadas Correlacionadas Independientes
2500 1,5 2500
2000 1,4 2000
1500 1,3 1500

Y
Y
Y
1000 1,2 1000
500 1,1 500
0 1 0
15 20 25 30 35 40 0 500 1000 1500 2000 2500 0 200 400 600 800 1000 1200 1400
X X X
Operaciones con Variables Aleatorias – Correlaciones Probabilísticas

Factor de Correlación: La intensidad de la dependencia probabilística se mide con un indicador
estadístico conocido como “Factor de Correlación, cuyos valores varían entre -1 y 1.
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.
Dimensionamiento de la Incertidumbre – Propagación de la Incertidumbre –

Correlaciones Probabilísticas en la
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
Correlaciones Probabilísticas en la
“ Método del Sobre”

Reglas de Oro de la Simulación de Montecarlo
1. Apropiada selección de las distribuciones que caracterizan las variables de entrada y

los parámetros del modelo.
2. Adecuado truncamiento de las variables de entrada.
3. Verificar la dependencia probabilística entre las variables y considerar los

correspondientes factores de correlación.
“Toda iteración de un modelo de Análisis de Riesgo debe corresponder a un

escenario físicamente posible”. – David Vose
4. Modelar las variables probabilísticamente una sola vez en todas las etapas del
desarrollo del modelo.
Contenido
Día 2

Muestras Pequeñas
Media o Promedio
Aspectos Especiales de la Caracterización
Probabilística de Variables
Influencia del Tamaño de Muestra en la Caracterización Probabilista Variables
Incertidumbre de Parametros - Probabilidad de Éxito y Fracaso de la Actividad (p)
MUESTRA 1: Pozos Campo R2M MUESTRA 2: Pozos Campo RZM

MUESTRA # 1 MUESTRA # 2
Perforación # Localización Éxito Fracaso Perforación Localizació Éxit Fracas

# n o o
1 KPTZ X 1 CRAL X Con ambas muestras se obtiene
2 GTHS X 2 HAVM X el mismo estimado para la
3 RVHT X 3 BCUB X
probabilidad de fracaso “p=0.1”
4 PKTF X 4 MTSC X
A pesar de obtener el mismo
5 JEIV X 5 JDLD X
resultado, consideramos que la
X 6 HERR X estimación de la probabilidad
X 7 TBNM X hecha con la muestra 2 tiene
X X mayor “confianza” porque la
X X
muestra es mas grande
10 MNTD X X
30 ERTF X
fracasos : k 1 fracasos : k 3
trials : n 10 trials : n 30
1 3
p prob.fracaso 0.1 p prob.fracaso 0 .1
10 30

El valor “p” obtenido en el ejemplo anterior, es el parámetro probabilidad de la distribución BINOMIAL que
sirve para permite estimar el número de éxitos o fracasos que se tendrán en un número específico de
intentos, dada una probabilidad “p” de éxito o fracaso por intento determinada.
Distribución de Densidad de Probabilidad: f(x) n!

P( x k) f (k ) p k (1 p)n k
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.

En conclusión. el análisis de las muestras 1 y 2 de éxitos y fracasos en perforación nos permite estimar para
el parámetro “probabilidad de fracaso” lo siguiente:
Estimado “Optimista” Estimado “Mas Probable” Estimado “Pesimista”
1 1
pLOW
n k 1
k pHIGT
n k
1 p 1
k (F2 k ,2 ( n ) n k 1(F2 ( k 1 ),2 ( n k ),
)
k 1 ),1 2
2
Estos rangos pueden obtenerse con distintos grados de confianza

Muestra 1 Muestra 2
Con la herramienta RARE.xls, en la Número de Número de
k 1 k 3
sección de “Interval Estimation” se Fracasos Fracasos
obtuvieron los siguientes resultados: Número de Número de
n 10 n 30
Intetentos Intetentos
Estimado Estimado Estimado Estimado Estimado Estimado
Grado de
"Optimista" "Mas Probable" "Pesimista" "Optimista" "Mas Probable" "Pesimista"
Confianza
p LOW p p HIGT p LOW p p HIGT
80% 0.0105 0.1000 0.3370 0.0373 0.1000 0.2090
90% 0.0051 0.1000 0.3940 0.0279 0.1000 0.2390
99% 0.0005 0.1000 0.5440 0.0011 0.1000 0.3200


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: Pozos Campo R2M MUESTRA 2: Pozos Campo RZM
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
Ver Ejemplo No.9 Incertidumbre en Parámetros - p.xls

Lectura No.7: Estimación Intervalos Parámetros Binomial – RARE. doc
Incertidumbre de Parametros – Media o Promedio

La Media ( ) (promedio, average, valor esperado o esperanza matemática) es posiblemente el parámetro o
estadística mas conocida, y la mas utilizada como “valor estimado de una variable”.
1 n
Tradicionalmente, la media para una variable aleatoria X, se calcula como = X = xi
n i 1
Donde: Xi: Valores de la muestra de la variable aleatoria X y n: tamaño de la muestra
Sin embargo, esto es solo un “estimado puntual”. El verdadero valor de “ ” se encuentra en el

rango
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.

Incertidumbre de Parametros – Media (m) o Promedio
Ejemplo No. 10: A continuación se suministran 2 set de datos de espesores por pozo. Para el primer
set de datos sólo se logró reunir un total de 15 pozos, sin embargo, un equipo de
ingenieros se dedicó a compilar información que no estaba reportada en los sistemas
formales de información 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
h(pies) – Muestra 50 pozos

142.5 145.1 101.0 101.7 73.5 67.3 72.4 80.9 129.8 90.4
83.0 80.2 153.9 123.0 106.4 103.9 85.6 101.4 141.8 85.2
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
Para las muestras observadas en las tablas anexas, y utilizando la herramienta RARE.xls, estimar los intervalos y el valor más
probable para la “Espesor Promedio (pies)” para los niveles de confianza de 80, 90 y 99%.
Ver Ejemplo No.10 Incertidumbre en Parámetros - media.xls

Lectura No.8: Estimación Intervalos Parámetros - Media – RARE. doc
Contenido
Día 3

Análisis Cuantitativo de Riesgo en Pozos – Parte I – PRONÓSTICO DE PRODUCCIÓN
Análisis de Riesgo en el Marco de la Metodología
FEL – VCD – Pozos
Análisis Cuantitativo de Riesgos en Proyectos de Perforación y Reparación Mayor de Pozos
Diagrama de Pareto- Tiempo con Riesgo
PEF-17 - Espera por lodo 6-1/2" 3.86
PEF-08 - Falla de equipo 8-1/2" 0.79
PEF-03 - Condiciones Climáticas 6-1/2" 0.70
MTR-08 - Cambio de Programa 7-5/8" 0.66

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

RAP-15 - Contingencia por alerta de
0.34
huracán
RAP-12 - Tubería Atascada 0.29
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5
Tiempo (Dias)
Consultar Libro Confiabilidad de Integral – Tomo III (pag 67 – 97)

Integrar – Vincular resultados de los Ejercicios No 7 y No 8 con la Evaluación

Económica mostrada en el Ejercicio Introductorio y generar los siguientes
resultados:
1.- Distribución Probabilística 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.- Análisis de Sensibilidad del VPN

Contenido
Día 3

Análisis Cuantitativo de Riesgo en Pozos – Parte I – PRONÓSTICO DE PRODUCCIÓN
Estimación Probabilística del Gasto Inicial de Producción.

Modelo 1: Basado en la desviación histórica de los estimados de Qo
El modelo se basa en la determinación del error histórico partiendo de la premisa de que la

forma de estimación empleada en el pasado se continuará utilizando en el futuro.
% 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
Pozo 9 9000 8468 -5.91

.000 .020
50.00 175.00 300.00 425.00 550.00 Pozo 10 6300 6455 2.46
Pozo 11 10500 11089 5.61 .000

-113.79 -75.19 -36.59 2.01 40.61
Pozo 12 9350 10207 9.17
Pozo 13 9000 10245 13.83
Pozo 14 4500 6151 36.69

Modelo 1: Basado en la desviación histórica de los estimados de Qo
Ejemplo No. 11:
Con la información del porcentaje de desviación presentada en la tabla de la lámina anterior,

calcule el Qo probabilísta partiendo de un Qo determinista de 5600 barriles.
Ver Ejemplo No.12 – Estimación Gasto Inicial Método I – Desviación Histórica.xls

Modelo 2 – Modelos de Afluencia : Basado en la caracterización probabilística de

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

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

H
Pwf
Gasto Inicial“Q0” (bpd)

Pe
Permeabilidad
F(Q0 ) f (h, , k, P, Bo, , re, rw, S)
Viscosidad
Daño
50.00 162.50 275.00 387.50 500.00
Estimación Probabilísta del Gasto Inicial de Gas (Qg) – Ejemplo Aplicación Yacimientos de Gas
re T: Ejem: Pozo Vertical Fracturado

703 .10 6 .K .h .(Ps 2 Pwf 2 )
Qsc
0.472 .re
538.00 577.33 616.67 656.00
g .Z .T . ln Sf
Kg: Z:
rw
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
1,056.00 2,204.00 30.00 35.05 40.10 45.15 50.00

Estimación Probabilística del Perfil de Producción por Pozo.

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
.086 Mínimo Más Probable Máximo

40.00 50.00 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
Qoi (superficie) Qoi (fondo) 1

Probabilidad
.021
.043
Qo 100
.000
108.53
.022
453.98 799.44 1144.90 1490.35 .084

Q oi (fondo)=2499.8 bpd Q1
.000 Función de Densidad
142.51 811.75 1480.99 2150.23 2819.47
.063
Q2
Probabilidad
.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
Factor de Declinación (D)
t=0 t=1 t=2 t=3 t=4 años

2 0.0 0 2 2.5 0 2 5.0 0 2 7.5 0 3 0.0 0
Factor de declinación inducido por Periodo inicial- inducido post-

fractura (fracción-anual): fractura:
Estimación Probabilísta del Pronóstico de
Producción (Q(t)) – Ejemplo Aplicación
Yacimientos de Gas
0.3200 0.4853 0.6507 0.8160 0.6 1.1 1.5 2.0 2.5 2.9 3.5
Perfil de Producción de Gas

qsc(MMPCD))
2.00
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
Factor de declinación natural del Periodo natural de declinación

yacimiento (fracción-anual):
0.0510 0.3060 0.5610 0.8160 2.2 6.4 10.7 14.9 19.2 23.2

Histórico Comportamiento de Producción Pozos Modelo Probabilísta Pronósticos de Producción Pozos
D1: Declinación 1 D2: Declinación 2
qsc(MMPCD))
2.00
1.80
1.60
1.40
1.20 P5
MMPCD
1.00
P50
0.80
0.60 P95
0.40
Med
0.20 ia
0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
T1: Periodo de D1 T2: Periodo de D2
Cotejo de Pronósticos de Producción con Pozos Nuevos

qsc(MMPCD))
Un modelo de pronóstico debe reproducir 2.00

1.80
el comportamiento histórico (pasado) del 1.60

1.40 Pozo Benavides - 112
la producción, y debe cotejar con los
MMPCD
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
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
Parte 1: Estimar el Gasto Inicial para un Pozo
Parte 2: Definir el PERFIL de Producción del Pozo a 10 años
Lectura No.10: Sub Modelo Pozo Probabilista – Perfil de Producción
Ver Ejemplo No. 12 – Sub Modelo Pozo Probabilísta –Perfil de Producción.xls

Ejemplo No. 12 : Cálculo del Gasto Inicial y el Perfil de Producción de un Pozo
Qt ( Q 0 ) x( e Fd .t )
Qt (Qo )(e D .t
)
Año Q (bpd) P10 P50 P90 = CB.GetForePercentFN($K30, 10)

Año 0 1906.709161 533.30 1589.98 4009.24
% Factor de Declinación - D Año 1 1514.874205 423.04 1260.22 3222.11 = CB.GetForePercentFN($K30, 50)
Año 2 1203.562611 327.22 1006.21 2601.19
Año 3 956.2265656 255.71 803.71 2124.99 = CB.GetForePercentFN($K30, 90)
Año 4 759.7188851 195.81 642.06 1755.08
Año 5 603.5941744 148.63 512.39 1450.00
Año 6 479.5536013 110.99 409.22 1207.79
Año 7 381.0037709 82.39 328.17 1007.12
Año 8 302.7062524 61.93 263.46 850.19
Año 9 240.4991294 45.85 211.11 720.12
Año 10 191.0757733 33.77 168.79 606.08
Probabilidades de Éxito y Fracaso de la Intervención.

Probabilidad de Éxito y Fracaso de la Actividad – Producción Esperada
Caracterización Probabilística del Éxito y del Fracaso.

(Distribución Binomial)
La distribución Binomial permite estimar el número de éxitos que se alcanzaran en un número específico de
intentos, dada una probabilidad de éxito por intento determinada.
Los parámetros de la distribución son: Probabilidad (p), Número de ensayos o pruebas
Las variables que pueden representarse con la distribución Binomial, tienen

tres características básicas:
a.- Por cada intento, hay solo dos posibles resultados: éxito o falla. (Para
una moneda: el lanzamiento resulta: Cara o no. Para las piezas o partes: Es
defectuosa o no)
b.- Los ensayos son independientes. Los resultados de un primer ensayo no
afectan los de ensayos posteriores.
c.- La probabilidad de ocurrencia permanece constante en cualquier
ensayo.
La figura muestra el efecto del parámetro “probabilidad de éxito” en el

número de éxitos en 50 intentos
Probabilidad de Éxito y Fracaso de la Actividad – Producción Esperada
Caracterización Probabilística del Éxito y del Fracaso - Ejemplo No 13

En los últimos años, se han perforado 80 pozos en el área, y se ha logrado contactar petróleo en 63
ocasiones. Para este año se propone perforar 6 pozos nuevos, en la misma área, con las mismas
empresas perforadoras, y con características similares en el yacimiento.
Para este plan de perforación determine
1.- El número de pozos que serán exitosos.

2.- Si de estos pozos se espera el comportamiento de Producción del Pozo del Ejercicio 3; estime
cuanta producción puede comprometerse en el 1er año
Probabilidad de Éxito= 63/80= 78.75%

X Distribución Probabilística de
Número de Intentos (n)=6 .087
Qoi(sup
1 2 3 4 5 6
.065
Probabilidad
Número más Probable de Pozos Exitosos .043
.022
.000
142.51 811.75 1480.99
Probabilidad de Éxito y Fracaso de la Actividad – Gasto Inicial Esperado
Binomial 1
p1=84% Q Kreal Q Kplan

Intento= 1 p1=probabilidad de %Desv 1
alcanzar el objetivo Qkplan
-100.00 -43.75 12.50 68.75 125.00
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
p2=16% p4=probabilidad de Objetivo Geológico

abandono
p4=14%
-100%
Binomial1 % Desv1 (1 Binomial1 )[ Binomial 2 % Desv2 (1 Binomial 2 ) ( 100 ]
Qi Qdet 1
100
Probabilidad de Éxito y Fracaso de la Actividad – Gasto Inicial Esperado y Perfil Esperado
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.
Lectura No.11: Sub Modelo Pozo Probabilista – Gasto Esperado
Ver Ejemplo No. 14 – Sub Modelo Pozo Probabilísta – Gasto Esperado.xls

Probabilidad de Éxito y Fracaso de la Actividad – Gasto Inicial Esperado y Perfil Esperado

Ejemplo No. 14: Estimación del Gasto Inicial Esperado
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 %
Disponibilidad de Pozos.
Análisis RAM – Modelo Pozo

Gas
Well Head $ Production Storm Pneumatic
Casing Compression
Xmax Tree Arrangement Valve Pumping
System
Failure and Repair Generic Information
(Own Failure and Repair Data)
SIMULATION Availability Distribution

Previous Knowledge
(OREDA, Wellmaster)
Bayes's theorem Pr (A<Tarjet): 80%

Evidence
Updated Failure
and Repair Rates
Figura 2.13 Diagrama Mecánico Pozo R2M-2.
Tarjet: 90%
El objetivo de un estudio de Confiabilidad, Disponibilidad, Mantenibilidad y Procesos del

Pozo (RAMP) es determinar la producción diferida y la indisponibilidad de un pozo de
producción, de acuerdo a su configuración, a la confiabilidad de sus componentes, a las
políticas de mantenimiento y a la filosofía operacional.
Herramienta Computacional para el “Sub Modelo Probabilísta de Pseudo Pozo o “Pozo

Tipo”
Esta plantilla le permitirá al usuario obtener de manera sencilla y rápida, el caudal inicial de aceite o gas de un
pozo tipo.
Contiene los modelos:
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:
−Estimación del cauda inicial de producción por pozo.

−Manejo de los Sistemas de Unidades: Internacional e Inglés.
−Caracterización Probabilísta de las variables de entrada al
modelo).
− 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

Análisis de Riesgo para Tiempos de Perforación

y Reparación de Pozos.
Análisis Cuantitativo de Riesgo - Tiempos de Perforación y Reparación de Pozos.
Manejar los riesgos de perforación o reparación significa no dejar

que los problemas crezcan, reducir las sorpresas.
Pega Inestabilidad Zona Formación Vibración de la Acumulación de

Diferencial desconsolidada sarta ripios
de hoyo reactiva
El plan de perforación o reparación de un pozo difiere de la ejecución real debido a

eventos indeseables que inducen costos adicionales reflejados en días
improductivos que hacen perder la continuidad del proceso.

Este modelo se sustenta en un análisis estadístico del comportamiento histórico de los
tiempos y las desviaciones por actividad, del plan de perforación y terminación. La salida del
modelo es una distribución probabilística de todos los posibles valores del tiempo que podría
tener el trabajo planificado. Este resultado probabilístico es la base fundamental del modelo de
estimación de costos.
Modelo Base
n
Pr(treal<tobj):44% TT TACTi
i 1
m
TACTi tLi p j tR j
j 1
TACTi: Tiempo de la actividad i.

63.52 102.21 140.89 179.57 218.25 m: número de riesgos asociados a la actividad i.
tLi: Tiempo limpio (sin riesgo) de la actividad i.
pj: Probabilidad de ocurrencia del riesgo “Rj”.
Tmedia:140 días tRj: Tiempo asociado al riesgo j.
n: número de actividades de un plan de perforación/reparación.
TObjectivo:150 días TT: Tiempo Total de Perforación/Rehabilitación.
Catálogo de Perforación
ABT Abandono Temporal
Base de datos (QRA – Histórica)
ACE Acondicionar Equipo Codificación de Actividades y Riesgos
ACP Acondicionar pozo
APB Alinear Pozo a Batería

XXX – Tiempo Limpio o productivo de la actividad
CCL Corrida de Complemento de Liner
XXX-01 - Riesgo 01 de la Actividad XXX
CMC Cementar Complemento de Liner
CMT Cementar Tubería de Revestimiento PEF-01 Espera por transporte
CON Cortar Núcleo PEF-02 Espera por compañía de servicio
DES Deslizar PEF-03 Condiciones Climáticas
DIS Disparar Intervalo PEF-04 Espera por Materiales
EST Estimulación PEF-05 Falla de Barrena Catálogo Perforación

ETR Escarear tubería y rimar boca de liner PEF-06 Falla MWD/LWD/Motor de Fondo 260
PEF-07 Falla tubería
EVA Evaluación de Formación
31
IEC Instalar equipo de Control PEF-08 Falla de equipo
PEF-09 Falla de compañía de servicio

Catálogo Reparación
IER Instalación de sub estructura recuperadora
IES Instalación de Estructura PEF-10 Reparando Boca de Liner 337

ILP Inducir y Limpiar pozo PEF-11 Requerimiento adicional/Cambio de programa 42
MAP Meter Aparejo de Producción PEF-12 Atascamiento de tubería
MEP Mantenimiento del Equipo Programado PEF-13 Obstrucción en fondo
XXX - Actividad
MTR Meter Tubería de Revestimiento / Liner PEF-14 Taponamiento de tubería
PBL Prueba a boca de Liner PEF-15 Pozo Fluyendo
PEF Perforar PEF-16 Espera por personal XXX-01 - Riesgos

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

. .
RTR Registro en Tubería de Revestimiento . .
TIN Toma de Información PEF-34 Espera por tubería de perforación

Codificación de las actividades y sus riesgos Muestra Representativa

ACE Acondicionar Equipo Pozo1 Pozo2 Pozo 3 Pozo 4 … Pozo n
ACP Acondicionar Pozo RAP Recuperar Aparejo de Producción 46 105 78 50 … 30
APB Alinear Pozo a Batería RAP-01 Espera por Transporte 10 12 - 8 … 13
AZA Aislar Zona Abierta RAP-03 Pesca no programada 8 21 10 … 8
COP Control de Pozo RAP-05 Falla de Equipo 12 - 2 - … 6
DAB Desmantelar Arbol e Instalar BOPS RAP-12 Tubería Atascada 10 13 21 - … -
DIS Disparar
EST Estimular T risk RAP-01
ILP Inducir y Limpiar Pozo Pr(treal<tobj):44%

MAP Meter Aparejo de Producción
p1 x
MEP Mantenimiento Programado de Equipo T risk RAP-03

T Productive RAP
RAP Recuperar aparejo de producción
+ p2 x
RDV Reemplazar válvula de BN =
RRE Recuperar restos de empacador T risk RAP-05
TIN Toma de Información - Terminación 63.52 102.21 140.89 179.57 218.25
TOI Toma de Información p3 x Tmedia:140 días

T risk RAP-12 Tobjetivo:150 días
p4 x
Aspectos Relevantes
En el análisis de los pozos, se decidió “normalizar” los metros perforados dada la amplitud del
rango de metros profundizados
TTOTAL t efectivo t compl t riesgos
ma ROP (mts/hr)
t efectivo
ROP .082
.062
ma= metros a perforar planificados
.041
metros _ perforados .021

ROP
tiempo _ efectivo _ perforacion .000
1.87 3.33 4.80 6.26 7.73
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.
Diagrama de Pareto - Tiempo por Actividad

Tiempo (días)
0 5 10 15 20 25
PEF - Perforar 6-1/2"
PEF - Perforar 8-1/2"
ILP - Inducir y Limpiar pozo
BHD - Bajar y anclar herramienta desviadora
TIN - Toma de Información - Terminación Este diagrama permite comparar el tiempo

productivo y con riesgo para cada una de las
COP - Control de Pozo
actividades que conforman el plan de
RAP - Recuperar aparejo de producción perforación o reparación de pozos,
identificando así cual actividad presenta mayor
MAP - Meter aparejo de producción
desviación en tiempo
AZA - Aislar zona abierta ST
RCC - Reconocer cima de cemento 7-5/8"
MTR - Meter tubería de revestimiento / Liner 7-5/8"
ETR - Escarear tubería y Rimar boca de liner 7-5/8"

Tiempo Productivo (días)
EST - Estimulación
Tiempo con Riesgo (días)
APB - Alinear Pozo a Batería Desviación (días)
DAB - Desmantelar árbol e Instalar BOPS


Diagrama de Pareto- Tiempo con Riesgo
PEF-08 - Falla de equipo 8-1/2" 0.79
PEF-03 - Condiciones Climáticas 6-1/2" 0.70
MTR-08 - Cambio de Programa 7-5/8" 0.66
PEF-15 - Problemas en hoyo/Arrastres 8-1/2" 0.64
AZA-03 - Fallo anclaje retenedor 0.58

Este diagrama identifica las desviaciones
ETR-05 - Falla de equipo 7-5/8" 0.52 que tienen mayor incidencia en el tiempo
total; y permite la identificación de
ILP-08 - Espera por transporte 0.51 acciones de mitigación
BHD-08 - Obstrucción en fondo 0.43
CMT-07 - Cementación deficiente 7-5/8" 0.43
ILP-04 - Condiciones Climáticas 0.41
PEF-21 - Tapón de cemento 8-1/2" 0.37
RAP-15 - Contingencia por alerta de huracán 0.34
RAP-12 - Tubería Atascada 0.29
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5
Tiempo (Dias)

¿Cuál es el Valor?
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.
RESULTADOS del Análisis Cuantitativo de Riesgo - Tiempos de Perf. y Rep. de Pozos.

Distribución de Tiempos (días)
Tiempo (días)
0.00 5.00 10.00 15.00 20.00 25.00 30.00
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
RESULTADOS del Análisis Cuantitativo de Riesgo - Tiempos de Perf. y Rep. de Pozos.
Distribución de Tiempos Distribución de Desviaciones

IEC-03
Improductivos por Actividad RGI-08 , 9
0% 10% 20% 30% 40% 50% 60% 70% MTR-14 , 47 IEC-01 , 1
EST-02 , 48
PEF 64.86%
REG-16 , 21
ILP 16.36% REG-07 , 65 PEF-23 , 357
REG 8.40% ILP-07 , 34
EST 4.67% ILP-08 , 63
MTR 4.62%
ILP-04 , 70
RGI 0.88%
PEF-12 , 6
PEF-17 , 38
IEC PEF-03 , 169
0.20%
PEF-08 , 91
PEF-23 - Espera por lodo, PEF-03 - Condiciones 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
Ejemplo No 15.- Estimación Probabilística del Tiempo de la Actividad
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.
A continuación se presenta el plan de actividades:

Metros
Codigo Actividad Diámetro
a Perforar Objetivo General
1 DES DES – Deslizar
Prolongar la vida productiva del pozo mediante la
2 DEB DEB - Desmantelar bajantes
profundización en la formación Cretácico Inferior
3 COP COP - Control de Pozo
4 DAB DAB - Desmantelar árbol e Instalar BOPS ACTUAL
5 ICR ICR - Instalar cabezal rotatorio

6 RAP RAP - Recuperar aparejo de producción
VALVULA DE 135.32 MD
TORMENTA DE 7"
7 PEE PEE - Pescar Empacador

8 MOE MOE - Moler empacador T.R. 16" 800.00 MD
9 RRE RRE - Recuperar restos del empacador

PEF6-1/2" PEF – Perforar 6-1/2" 200
RESISTENCIA ENCONTRADA
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
11 ETR7-5/8" ETR - Escarear tubería y Rimar boca de liner 7-5/8" /8"

95
RTR RTR - Registros en tubería de revestimiento 7-5/8"

MD
12
.
B.L .51
59
17
13 RGI RGI - Registro giroscópico

MD
.00
", 44
1/2 18
5 MD
DE " .00
RIL 3/4 01
ND IO 20 MD
14 MAP MAP - Meter aparejo de producción

MA IFIC .44
OR 94
21
MD
" .00
7/8 78
22
RBA RBA - Retirar BOP's e Instalar Arbol de Producción

11
15
TR /8"
R 95
DO TE
CA N 5/8
"
PA ANE .7
EM RM B.L
PE
16 ILP ILP - Inducir y Limpiar pozo TR

95
/8"
62
9M
D
APB APB - Alinear Pozo a Batería

-2
17
75
25
EST EST – Estimulación

MD
18
MD
.00 .00
35 64
P.I.
26 26
MV
66
25
19 TIN TIN - Toma de Información - Terminación

" MD
5/8 65
7 . 26
TR P.T
A partir de los datos estadísticos mostrados en el archivo “Ejercicio 15.xls”, determinar:

1.- Distribución Probabilística del Tiempo Productivo. 3.- Diagrama de Pareto de Tiempos por Actividad
2.- Distribución Probabilística del Tiempo Total con Riesgo 4.- Diagrama de Pareto de Desviaciones
Estimación Probabilística del Costo de la

Actividad
Análisis Cuantitativo de Riesgo - Costos de Perforación y Reparación de Pozos.

Este modelo parte del análisis estadístico del comportamiento histórico del costo; y genera una distribución
probabilística de todos los posibles valores de costo que podría tener el trabajo de perforación y
terminación. La salida de este modelo se incorpora al modelo económico del ciclo de vida del activo en
forma de inversión inicial y perfil de egresos.
Model Bases Cmedia:10 MMUSD

n
CTotal Cclass j
j 1 Cplan:15 MMUSD
Cclassi (TTOTAL C _ class (T ) ) CF _ class i

i
CTotal : Well’s Total cost

Cclass j: Total cost of the cost class “j”.
C_class(T)i: Cost Class “i”; normalized or per unit of time
TTotal : Total planned time Pr(Creal>Cplan):70% CMÁX:19 MMUSD
CF_Classi: Non dependant on time Costs
n: Total number of wells
i: Cost class counter per well
Estructura de Costo
Macro Rubros Rubros Sub-Rubros
Costo Directo Equipo Renta de Equipo
Gastos y Costos no Asociados Combustible y Lubricantes
Comodatorio
Logística
Depreciación de Equipo de Perforación
Mano de Obra
Materiales Seguro y Fianzas de Activos Fijos
Otros Equipos
Seguridad y Ecología
Contenedores
Servicios
Mantenimiento de Equipos
Costo Indirecto
Otros Costos Indirectos


Macro Rubros Rubros Sub-Rubros
Costo Directo Equipo Renta de Equipo 70%

Combustible y Lubricantes
Gastos y Costos no Asociados
Comodatorio
Logística
Depreciación de Equipo de
Perforación
Mano de Obra 30%
Seguro y Fianzas de Activos Fijos
Materiales
Otros Equipos
Seguridad y Ecología
Contenedores
Servicios Mantenimiento de Equipos
Costo Indirecto
Rubros dependientes de la Variable Tiempo de la Intervención
Otros Costos Indirectos
Renta de Equipo representa el 70% del Rubro “Equipo”
Paso 1: Normalización de los renglones dependientes del tiempo

Paso 2: Caracterización Probabilística de cada uno de los Rubros y evaluación del Modelo.
Equipo Gastos y Costos no Logística Mano de Materiales Seguridad y Servicios Costo Otros Costos
Asociados Obra Ecología Indirecto Indirectos
No existen
suficientes datos
para caracterizarlo
Probabilísticamente
USD/día USD USD/día USD/día USD USD USD/día USD USD
A B C D E F G H
Paso3: Aplicación del Modelo de Riesgo.
Cni Tni Tasa Diaria Tni 0.3 A B C F D E G H
Cni: costo de la nueva intervención (USD)

Este análisis se hace por tipo de trabajo
Tni: duración estimada de la nueva intervención (Días) (Profundización, Abrir Ventana, Cambio de Intervalo,
Tasa Diaria: renta del equipo (USD/día) Casing Puncher, Perforación, Terminación, etc.
A,B,C,D,E,F,G,H: Distribución Probabilística del Rubro
Ejercicio 16.- Estimación Probabilística del Costo de la Actividad
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.
Tasa de Alquiler del Equipo (USD/día): 165.000,oo

Tiempo Total de la Intervención: Ver resultados del Ejercicio 1
Determinar:
1.- El valor esperado del Costo de la Intervención.

2.- Análisis de Sensibilidad de la variable Costo de la Intervención, indicando cual es el renglón que aporta
la mayor dispersión a la salida.
A partir de los datos estadísticos mostrados en el archivo “Ejercicio No 16 - Estimación Probabilística del
Costo.xls”.
Contenido
Día 4

Introducción a las Evaluaciones Financieras
Indicadores Financieros
Evaluación Financiera Probabilística


Aspectos Generales
• La tarea fundamental de los analistas de proyectos u opciones de inversión es contribuir directa o

indirectamente a que los recursos disponibles en la economía sean asignados en la forma más
racional entre los distintos usos posibles.
• Quienes deben decidir entre las diversas opciones de inversión o quienes deban sugerir la
movilización de recursos hacia una opción determinada, asumen una gran responsabilidad, pues sus
recomendaciones pueden afectar en forma significativa los intereses de los inversionistas (públicos o
privados), al estimular la asignación de recursos hacia unas opciones en detrimento de otras.
• Este proceso implica definir figuras de mérito o indicadores que permitan calificar las diferentes
opciones de utilización de los recursos, en sus usos más eficientes; en otras palabras, la tarea de
evaluar consiste en cuantificar ciertas magnitudes asociadas a cada opción de inversión y
convertirlas en cifras financieras con el fin de obtener indicadores útiles para medir su bondad.
• La análisis financiero de opciones provee las metodologías para determinar las ventajas y
desventajas que se pueden esperar de asignar o no recursos hacia objetivos determinados y la
misma implica la organización, estudio y análisis de los diferentes factores de orden económico,
técnico, financiero, administrativo e institucional asociados a cada opción de inversión.
• 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.
• Flujo de Caja Neto

Estáticos
•Periodo de Recuperación de la Inversión
Indicadores
Financieros
• Valor Presente Neto (VPN)
•Tasa Interna de Retorno (TIR)
Dinámicos
•Periodo de Recuperación Dinámico (DPO)
•Eficiencia de la Inversión (EI)
Indicadores Financieros – Valor Presente Neto
• 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 )
+ Habrá ganancias mas allá de haber recuperado la inversión inicial
VPN 0 Sólo se ha recuperado la inversión
- Las ganancias no son suficientes para recuperar el dinero invertido

Indicadores Financieros – Valor Presente Neto - Flujo de Caja Proyectado
• 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
Financieras – Flujo de Caja Probabilístico
Díagrama de Flujo de Caja Proyectado Probabilístico para un Pozo

Ingresos 1. Estimación probabilística Gasto Inicial de Producción (Qo)
2. Estimación Probabilística Tasa de Declinación y Perfil Producción (Q 1,, Q2,, Q3,, …... Q20)
Inversión Inicial 3. Estimación probabilística del Costo de Perforación
Egresos 4. Costos de Producción y Mantenimiento
5. Estimación probabilística del Riesgo (Egresos Potenciales por Fallas)
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
0 1 2 3 4 5 -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
Costos de Producción
Egresos
Horizonte t=“n” meses

Riesgo (Ri) económico
(egresos potenciales por fallas)
Capex
Financieras – Sensibilidad del VPN
Análisis de Sensibilidad del VPN
VPNE
VPN E VPN
Factor
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
Tiempo Productivo (Días)
50.0 55.0 60.0 65.0 70.0 75.0
M989 112.60 475.70
M291 56.78 261.60
M389 46.52 208.03
M670 27.01 169.04
M348 24.74 144.14
M380 29.25 143.85

71% 78% 85% 92% 99%
M340 65.11 150.78
M249 35.67 110.07
TR
M537
M787
19.01
17.76
90.57
79.43
Portafolio de Acciones
Válvula BN
de Mitigación del Riesgo
M622 32.70 85.54
M239 16.03 67.46
M945 17.51 68.23

Línea de Flujo
M696 17.13 66.81
COP (horas)
M816
17.38
16.89
64.74
56.25
Empaque
M190
M154
26.09
20.64
62.45
54.22
”” Libranza Downside
Upside
M748 6.48 38.77
TOI (horas) 5.55 35.92

Evaluación Económica de Proyectos de Perf. Y Rep. de Pozos.
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
Función de Densidad
.089
VPN
.067
Horizonte n
Económico .045
Ing. .022
Ingresos
n Ingj Egrj .000
Egr VPNn Inv -3642809 3372918 6880781 10388644

Egresos
j (1 i) j Función Acumulada Directa
Inversión Inv. 1
Inicial VPN
.75
Tasa de i
Descuento .50
Pr(VPN<0)
.25
Factor de Riesgo
.00
-3642809 0 3372918 6880781 10388644

Evaluación Económica de Proyectos de Perf. Y Rep. de Pozos.
Distribución Probabilística del Indicador Económico (VPN)

Factor de Rentabilidad: 18 MMUSD
Factor de Riesgo: 7 %
Profitability Factor= 18.1 MMUSD

Risk Factor= 6.99 %
Integrar – Vincular resultados de los Ejercicios No 14, No 15 y No 16 con la

Evaluación Económica mostrada en el Ejercicio Introductorio y generar los
siguientes resultados:
1.- Distribución Probabilística 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.- Análisis de Sensibilidad del VPN

Contenido
Día 5

Administración de Portafolios de Proyectos de Perforación y Reparación Mayor
Modelos de Jerarquización de Opciones
Matriz Rentabilidad Riesgo
Matriz de Boston
Modelos de Jerarquización de la Cartera de

Proyectos de Perforación y Reparación de Pozos
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)
“Los métodos de evaluación y decisión multicriterio comprenden la selección entre

un conjunto de alternativas factibles, la optimización con varias funciones objetivo
simultáneas y un agente decisor y procedimientos de evaluación racionales y
consistentes” (Eduardo Martínez, 1998).
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.
Matriz de Jerarquización de Opciones: Rentabilidad - Riesgo

Ejemplo Cartera de Pozos Jerarquizada - Solución
VPN Esp Tipo

Proyecto Pr(VPN<0) Pr(TIR<15) TIR ESP Ranking
(MMBs) Actividad
CAE-3 2800 10.0% 13.7% 41.0% Perforacion 1
BCF-3 2200 19.0% 28.6% 40.0% Perforacion 2
VLA-1410 965 36.0% 50.0% 14.0% Perforacion 3
APK-4 965 36.0% 50.0% 14.0% Perforacion 4
APK-5 765 41.0% 60.0% 13.0% Perforacion 5
AOL-2 765 41.0% 60.0% 13.0% Perforacion 6
3000
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.
Pozo VPN (MMUSD) VPN/VPI Factor de Riesgo

PIRINEO-71 103.33 18.46 4.9%
Ejercicio No. 17: Jerarquización Cartera de Pozos MERCED-71
PIRINEO-351
88.75
107.31
17.74
17.03
5.2%
4.8%
PIRINEO-21 92.23 16.44 5.0%
MERCED-21 70.97 15.89 4.9%
PIRINEO-11 95.87 15.29 4.9%
BUENA SUERTE-164 91.20 14.95 5.0%
BUENA SUERTE-11 95.13 13.98 4.8%
BUENA SUERTE-92 75.56 13.90 5.0%
MINERO-1 75.56 13.29 5.3%
MERCED-41 52.43 13.14 4.8%
MERCED-81 56.31 12.61 4.7%
MERCED-1D 47.84 11.97 5.0%
MERCED-1D 47.71 11.95 5.0%
PIRINEO-51 40.99 11.54 5.3%
MERCED-31A 32.70 9.18 4.8%
PIRINEO 23 26.43 8.32 4.9%
MERCED 100 21.35 7.53 4.6%
Para la cartera de pozos a perforar mostrada en la tabla (Ver ESCUDO 1A 17.23 6.05 4.9%
Hidalgo 403C 82.72 5.40 5.0%
Ejercicio No 17), jerarquizar las opciones Hidalgo 403B
Hidalgo 403A
79.19
76.23
5.18
4.98
4.6%
5.0%
Hidalgo 2F 74.05 4.83 4.8%
Hidalgo 2E 106.60 3.30 6.0%
3.17 5.7%
1.- Utilizando la Matriz Rentabilidad – Riesgo
Hidalgo 2D 101.52
Forastero 14 96.76 3.03 6.2%
Hidalgo 1F 96.71 3.03 5.9%
2.- Utilizando Matriz de Boston con Riesgo Pirineo 23
Hidalgo 1E
95.30
90.75
2.97
2.81
5.9%
6.6%
Hidalgo 1D 85.10 2.66 6.3%
Pirineo 41 85.30 2.65 6.8%
Hidalgo 1C 80.81 2.51 6.6%
Forastero 12 77.85 2.44 7.1%
Pirineo 13 77.32 2.40 7.3%
Hidalgo 703 75.64 2.37 7.6%
Hidalgo 506 71.03 2.21 8.1%
Pirineo 121 68.92 2.15 7.8%
Hidalgo 504 66.43 2.06 8.5%
Pirineo D 77.53 2.05 7.1%
Pirineo C 70.53 1.86 7.3%
Pirineo 91 65.77 1.73 8.0%
Merced 231 58.22 1.72 8.2%
Merced 100 60.18 1.59 8.7%
Pirineo H 49.96 1.48 9.2%
Pirineo F 45.42 1.34 10.2%
Escudo 1A 49.23 1.30 10.7%
Pirineo G 40.57 1.20 11.9%
Pirineo E 36.64 1.08 13.3%
Forastero 11 39.43 0.58 23.4%
Forastero 5 28.07 0.46 27.9%
Forastero 10 28.12 0.42 30.5%
Consultar Ejercicio 17.xls Forastero 17 17.72 0.29 36.7%
Forastero 6 17.09 0.25 39.2%
Forastero 16 9.03 0.15 45.6%
Forastero 9 0.02 0.00 56.8%
Análisis de Riesgo en el Marco de la Metodología FEL –
VCD – Pozos
“Es mejor tener un modelo con

incertidumbre que una ilusión de la
realidad”
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

Presentación - ADR & I en Pozos Perforar y Reparar FEL - VCD 22-11-09 PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Presentación - ADR & I en Pozos Perforar y Reparar FEL - VCD 22-11-09 PDF

Transféré par

Droits d'auteur :

Formats disponibles

Análisis Probabilístico de Riesgo y Administración de la

Incertidumbre en Perforación y Reparación de Pozos

TOPE ESTRUCTURAL NARICUAL SUPERIOR

Operaciones con Variables Aleatorias

Análisis de Riesgo en el Marco de la Metodología FEL – VCD – Pozos

Análisis de Riesgo en el Marco de la Metodología FEL - VCD

Análisis de Riesgo en el Marco de la Metodología FEL - VCD

“La certidumbre absoluta es un privilegio de

El escenario más común es el de la incertidumbre; es decir, disponer de un nivel de conocimiento que

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

“ Si hay INCERTIDUMBRE, hay Riesgo”

“…y si no hay incertidumbre, estamos

Ejemplos típicos de eventos no deseados, entre muchos otros, son:

• Desviación de los valores esperados

• Fallas de equipos y sistemas.

• Huelgas; confrontaciones políticas y guerras.

• Errores humanos y desaciertos en general.

Riesgo – Ecuación Universal

Riesgo f ( Si ,Pi ,Ci ) Riesgo Pi xC i

“ El Análisis de Riesgo es una Ciencia de

“ El Análisis de Riesgo, algunas veces llamado Análisis para la Toma de Decisiones, es la

Análisis de naturaleza probabilística que permite

El propósito fundamental es soportar el proceso de

 Hechos, experiencias y datos duros.

Áreas del Análisis de Riesgo

Estima las probabilidades de ocurrencias de los

Evalúa la tolerabilidad a los niveles de riesgo Establece mecanismos para explicar y

Escuelas de Análisis de Riesgo

• Herramienta Base de Análisis: Matrices de Multiples

• Producto: Calificación del Riesgo (Alto, Medio, Bajo)

Escuela Avanzada: Análisis Cuantitativo de

• Herramienta Base de Análisis: Caracterización Probabilística

•Virtud: Reducción de la Subjetividad y Trazabilidad del Análisis

“ En el mundo real, al final, tenemos la

“No decidir es una decisión”

“Decisión es un proceso más que el simple hecho de elegir entre alternativas”, es un

“Elección consciente entre diversas alternativas analizadas, a la que sucede

No obstante, las decisiones contemporáneas ya no solo consisten en

PASADO PRESENTE FUTURO

Esos futuros pueden ser predecibles o aleatorios.

La toma de decisiones en esencia es un proceso complejo, y adquiere aun mayor

“Marco matemático para predecir el futuro

“IF YOU TORTURE THE DATA LONG ENOUGH; IT WILL

Estimados Clase V Clase IV Clase III

ELEMENTOS DIFERENCIADORES METODOLOGÍA FEL

La metodología obliga a la identificación, evaluación y jerarquización de múltiples posibilidades

1.- Hay un Yacimiento de Hidrocarburo ?

2.- Cuánto petróleo hay en el yacimiento?

3.- Cuánto de ése petróleo es extraíble? Incertidumbre Volumétrica

4.- Cuáles son los mecanismos de producción asociados a esa extracción?

• Expansión roca - fluido

• Flujo Natural, Gas Lift, BES, BCP,

6.- Durante cuánto tiempo puede producir el yacimiento?

• Precio de Venta del Crudo

Ver Ejercicio Introductorio – Eval. Económica Pozo.xls 

Como tomar decisiones en presencia de Incertidumbre?

• Sub o Sobre Dimensionamiento

Tratar de • Altos Costos en Sistemas de Información

"Administrar la incertidumbre es el arte

Enfoque Enfoque Subjetivo

Los siguientes aspectos son los atributos fundamentales de una muestra

• Robustez: La muestra contiene la cantidad suficiente de datos para que se puedan

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