Presentación - Análisis R&I en Proyectos FEL - VCD

Porque una de las
formas ms importantes
de agregar valor, es
evitar que se destruya
Medardo Yez
PERFIL DE PRODUCCION DEL YACIMIENTO
0,00
3,50
7,00
10,50
14,00
90%
50%
10%
BANDA DE PRODUCCION DEL YACIMIENTO
Taller de Anlisis de Riesgo y Administracin de la
Incertidumbre en el Marco de la Metodologa FEL VCD
Contenido
Conceptos Bsicos: Incertidumbre, Riesgo y Anlisis de Riesgo, Decisin, Estadstica
Breve Introduccin a la Metodologa FEL-VCD
Incertidumbre en la Industria del Gas y del Petrleo
Fundamentos de Probabilidad y Estadstica Descriptiva
Probabilidad
Muestra y Poblacin
o Muestra Representativa
Influencia del Tamao de la Muestra en el clculo de la probabilidad p
Estadstica de la Muestra
o Distribuciones de Probabilidad no Paramtricas
Histogramas
o Estadsticas de la muestra (Promedio, Desviacin Estndar, Percentiles)
Influencia del Tamao de la Muestra en el clculo de las estadsticas Promedio
Estadstica de la Poblacin
o Distribuciones de Probabilidad Paramtricas
Contenido
De la Estadstica de la muestra a la de la poblacin
o Caracterizacin Probabilstica de Variables desde los Datos de la Muestra
o Caracterizacin Probabilstica de Variables desde la Opinin de Expertos Operaciones con
Variables Aleatorias
De la Estadstica de la Muestra a la de la Poblacin (Muestras Pequeas <15 Datos
Operaciones con Variables Aleatorias
o Simulacin de Montecarlo
o Anlisis de Sensibilidad
Sensibilidad Tipo I: Contribucin a la Varianza y Correlacin por Ranking
Sensibilidad Tipo II: Grfico de Tornado y Grfico de Araa
o Correlacin o Dependencia Probabilista
Fundamentos de Anlisis Financiero
Indicadores Financieros Probabilistas: Valor Presente Neto y Valor Anual Equivalente
Contenido
Anlisis de Riesgo en el Marco de la Metodologa FEL - VCD
Modelo Integrado del Activo (MIAc)
Sub Modelo Probabilista de Volmenes Originales y Reservas
o Estimacin Probabilista del VOI y Reservas
Herramienta Computarizada para la Estimacin Probabilista de Volmenes y Reservas - Casos de
Aplicacin
Sub Modelo Probabilista de Pseudo Pozos o Pozos Tipo
o Estimacin Probabilista del Gasto Inicial de Produccin
o Estimacin Probabilista del Perfil o Pronstico de Produccin
o Estimacin Probabilista del xito o Fracaso de la Actividad de Perforacin y Reparacin
o Estimacin Probabilista de Tiempos de Perforacin y Reparacin
o Estimacin Probabilista de Costos de Perforacin y Reparacin
o Estimacin Probabilista de Evaluacin Econmica de Proyectos de Perforacin y
Reparacin
o Evaluacin Econmica y Jerarquizacin de Proyectos de Perforacin y Reparacin de
Pozos
Sub Modelo Probabilista de Instalaciones
o Introduccin al Anlisis RAMP
Caso de Estudio Anlisis RAM Plataforma de Produccin
Sub Modelo Probabilista del Perfil de Produccin de un Escenario de Explotacin
o Basado en los Sub Modelos de Pozos Tipo y Movimiento de Equipos
Caso de Estudio Simulacin SSOIP
o Basado en Simulacin Numrica de Yacimientos (Modelo Dinmico)
Incertidumbre del Pronstico Generado por Simulacin
Caso de Estudio
Modelo Probabilista de Evaluacin Econmica y Jerarquizacin de Escenarios de
Explotacin
Contenido
Contenido
Da 1
Probabilidad
Muestra y Poblacin
Histogramas
Es pr ef er i bl e est ar apr ox i madament e c or r ec t o
que ex ac t ament e equi voc ado
I nc er t i dumbr e
CONCEPTOS BASICOS
Incertidumbre
1
2
4
5
3
6
7
8
Incertidumbre
CONCEPTOS BASICOS
Incertidumbre
1
2
4
5
3
6
7
8
Incertidumbre
Certidumbre
El nivel de conocimiento acerca de un proceso especfico puede variar desde el extremo de no saber
absolutamente nada acerca del mismo (ignorancia total), hasta el extremo de llegar a entender y modelar
completamente su comportamiento (certidumbre total).
INCERTIDUMBRE
El grado de separacin entre nuestro nivel de conocimiento del proceso, y el estado de certidumbre total
se define como nuestro nivel de incertidumbre
El escenario ms comn es el de la incertidumbre; es decir, disponer de un nivel de conocimiento que
es mayor que la ignorancia total; pero que no alcanza el estado de certidumbre total.
CERTIDUMBRE TOTAL
IGNORANCIA TOTAL
Niveles de
Conocimiento
Incertidumbre
La Incertidumbre es una medida de la inseguridad o grado de desconocimiento
acerca de una variable, proceso o fenmeno bajo estudio
Conceptos Bsicos
Si n i nc er t i dumbr e, no hay r i esgo
Ri esgo
El riesgo es un trmino de naturaleza probabilstica, que se define como egresos o prdidas probables
consecuencia de la ocurrencia de un evento no deseado o falla.
Matemticamente el riesgo asociado a una decisin o la ocurrencia de una falla o evento viene dado por la
expresin:
R
a
(t) = p
a
(t) x c
a
(t)
R
a
(t): Riesgo del evento a en el tiempo t
p
a
(t): Probabilidad de que ocurra el evento no deseado a en el tiempo t
C
a
(t): Consecuencias de la probable ocurrencia del evento no deseado a en el tiempo t
Fundamentos Tericos
Incertidumbre Riesgo Incertidumbre Riesgo
Riesgo
Incertidumbre Riesgo
Conceptos Bsicos
El anlisis de riesgo busca contestar 5 preguntas a travs de 5 fases distintas:
Cul puede ser el resultado? Evaluacin de Riesgo
Qu tan malo puede ser? Modelado de Consecuencias
Con qu frecuencia sucede? Estimacin de Frecuencia
Qu puede salir mal? Identificacin del Riesgo
Qu se puede hacer? Gerencia del Riesgo
Anlisis de Riesgo
Conceptos Bsicos
El anl i si s de r i esgo es una c i enc i a de
t oma de dec i si ones en ambi ent es c on
i nc er t i dumbr e
Anl i si s de Ri esgo
El Anlisis de Riesgo, algunas veces llamado Anlisis para la Toma de Decisiones, es la
disciplina para ayudar a los tomadores de decisiones a seleccionar opciones ptimas en
ambientes de incertidumbre
John R. Schuyler
Anlisis de naturaleza probabilstica que permite
soportar una decisin con base en la cuantificacin y
ponderacin de la probabilidad de xito con sus
beneficios y la probabilidad de fracaso con sus
consecuencias.
El propsito fundamental es soportar el proceso de
toma de decisiones con las siguientes caractersticas:
Hechos, experiencias y datos duros.
Toman en cuenta la incertidumbre de las variables consideradas en el anlisis, y las
consecuencias de las decisiones tomadas.
Son verificables y por lo tanto perfectibles.
Anlisis de Riesgo
Conceptos Bsicos
reas del Anlisis de Riesgo
Estima las probabilidades de ocurrencias de los
eventos indeseados y sus correspondientes
consecuencias.
Evala la tolerabilidad a los niveles de riesgo
previamente dimensionados bajo un contexto
social, humano, poltico y econmico.
Establece mecanismos para explicar y
difundir las estimaciones y decisiones
tomadas.
Area 1:
Dimensionamiento
del Riesgo
Area 2:
Administracin
del Riesgo
Area 3:
Comunicacin
del Riesgo
Conceptos Bsicos
Area 1:
Dimensionamiento
del Riesgo
Area 2:
Administracin
del Riesgo
Area 3:
Comunicacin
del Riesgo
Conceptos Bsicos
Escuela Bsica : Anlisis de Riesgo por
ndices Subjetivos de Riesgo
Escuela Avanzada: Anlisis Cuantitativo de
Riesgo Quantitative Risk Analysis (QRA)
Escuelas de Anlisis de Riesgo
Herramienta Base de Anlisis: Matrices de Multiples
Atributos
Producto: Calificacin del Riesgo (Alto, Medio, Bajo)
Virtud: Velocidad y Facilidad del Anlisis
Debilidad: Subjetividad y Inauditabilidad del Anlisis
Herramienta Base de Anlisis: Caracterizacin Probabilstica
de la Informacin de Variables y Modelaje Estocstico de
Procesos (Probabilidad y Estadstica Descriptiva)
Producto: Cuantificacin del Riesgo.
Virtud: Reduccin de la Subjetividad y Trazabilidad del Anlisis
Debilidad: Complejidad
Alto Medio Remoto
Grave
Marginal
Insignificante
PROBABILIDAD / FRECUENCIA
C
O
N
S
E
C
U
E
N
C
I
A

/

I
M
P
A
C
T
O

Riesgo Aceptable
Riesgo Inaceptable
Se requiere evaluci n, gerencia y
monitoreo del riesgo
Sustancial
Bajo
BAJO
MEDIO
ALTO
Anlisis de Riesgo por ndices Subjetivos de Riesgo
Se fundamenta en la calificacin de los impactos y la probabilidad de ocurrencia de un evento.
Conceptos Bsicos
ResultadosProbabilsticospor Pozo
El Anlisis Cuantitativo de Riesgo, aplicado a la industria del petrleo , se ha convertido en una
herramientafundamental paralaoptimizacinderecursosyaumentodelarentabilidaddel negocio.
Anlisis Cuantitativo de Riesgo Quantitative Risk Analysis (QRA)
Se basa en la estructuracin de modelos matemticos
que operen con variables aleatorias, para lo cual es
fundamental una apropiada caracterizacin
probabilstica de las variables que intervienen en dicho
modelo, esto permite la propagacin de la incertidumbre
de las variables de entrada a travs del modelo y
obtener una variable de salida que permita cuantificar el
efecto de la incertidumbre de dichas variables en
trminos de riesgo en el resultado final.
Conceptos Bsicos
En el mundo r eal , al f i nal , t enemos l a
i r r enunc i abl e obl i gac i n de dec i di r
Dec i si n
Decisin
Decisin es un proceso ms que el simple hecho de elegir entre alternativas, es un proceso
que incluye identificar un problema, elegir una alternativa y evaluar la eficacia de dicha decisin.
(Robbins, 1996 : 111)
Las decisiones contemporneas ya no solo consisten en seleccionar entre diversas alternativas
sino que han evolucionado en grado de complejidad. Como ejemplo de decisiones complejas
tenemos:
Jerarquizar las alternativas.
Seleccionar la mejor combinacin de alternativas.
Seleccionar la opcin optima entre un conjunto de alternativas de la misma naturaleza respecto a varios
criterios (optimizar).
Para tomar decisiones hay que prever el futuro, hay que predecir y calcular las
consecuencias de cada una de las posibles acciones.
Las decisiones que se toman en el
presente, se alimentan de los datos
del pasado y generan acciones
(elegida entre las Ai) que provocar
un resultado en el futuro. El resultado
depender del la accin que se
realice.
DATOS DECISION
ACCION
( A
i
)
RESULTADOS
( X
ij
)
PASADO PRESENTE FUTURO
Conceptos Bsicos
Mar c o mat emt i c o par a pr edec i r el f ut ur o
model ando l a ex per i enc i a.
Est adst i c a
Probabilidad y Estadstica
La Probabilidad y la Estadstica constituyen los pilares matemticos fundamentales
para tomar decisiones administrando el riesgo y la incertidumbre
IF YOU TORTURE THE DATA LONG ENOUGH; IT WILL
CONFESS
Annimo
Conceptos Bsicos
I nt r oduc c i n a l a
Met odol oga FEL-VCD
Industria del Gas y del Petrleo: Caracterizacin de Yacimientos, Mtodos de
Produccin, Perforacin y Rehabilitacin, Diseo, Operacin y Mantenimiento de
Instalaciones Petroleras y Mercadeo.
Produccin
(Reservas)
Exploracin
(Recursos prospectivos)
Comercializacin
y transporte
Explotacin Desarrollo
Evaluacin
de potencial
(EP)
Incorporaci
n de reservas
(IR)
Caract.
inicial y
delimitacin
(DL)
Abandono
Pozos de desarrollo
2-D 3-D
Costos de
mantenimiento y
produccin
Optimizaciones y
nuevas oportunidades
Infraestructura
Instalaciones
Inversiones
y gastos
Ssmica
Pozos
exploratorios y
delimitadores
Costo de
Abandono
Mayor oportunidad
de identificacin del valor
Menor oportunidad
Nueva oportunidad
Estudios
Riesgo
Introduccin a la Metodologa FEL VCD
DEFI NI CIN Y DESARROLLO
CONTRA-
TACI N
EJ ECUCIN OPERACIN
Otorgamiento
Buena-Pro
Aprobacin
Proyecto
Contratacin Materializac. PEP
hasta completacin
mecnica
Operacin, anlisis
cumplimiento
expectativas de
negocio
Visualizacin Conceptuali
zacin
Definicin
Curva de Oportunidades de Reduccin de
Costos / Programacin en un Proyecto
O
P
O
R
T
U
N
I
D
A
D
+
-
D
E
S
E
M
B
O
L
S
O
S
+
-
Algunos Elementos Diferenciadores
F
a
s
e
s

d
e

C
o
n
c
e
p
t
u
a
l
i
z
a
c
i
n
y

d
e

D
e
f
i
n
i
c
i
n
%

C
o
s
t
o

d
e

C
i
c
l
o

d
e

V
i
d
a

C
o
m
p
r
o
m
e
t
i
d
o
F
a
s
e

d
e
V
i
s
u
a
l
i
z
a
c
i
n
C
o
n
s
t
r
u
c
c
i
n
O
p
e
r
a
c
i
n

y

M
a
n
t
e
n
i
m
i
e
n
t
o
65 %
85 %
95 %
100 %
Influencia de las Fases de un Proyecto en el Costo de Ciclo de Vida
Objetivo
D
Identificamos todas las posibilidades?
Identificamos todos los riesgos
principales?
Es negocio esta oportunidad o no?
Presentamos las bases para los
escenarios que pasan a FEL-C?
D D
Dictamen
D
Etapa
Estimados
de Costos
Matriz de oportunidades y/o categoras
de decisiones y opciones para las
diferentes reas en subsuelo, pozos,
instalaciones y procesos que servirn
de base para la construccin de los
escenarios de explotacin que pueden
generar valor sobre el Caso Base,
identificacin de riesgos mayores,
identificacin de tecnologas y/o
procesos nuevos por considerar
Visualizacin
Clase V
-35% - 50%
Conceptualizacin Definicin
Llaves
Tcnicas
Clase IV
-25% - 35%
Clase III
-15% - 20%
Modelado detallado de las
incertidumbres tcnicas y los riesgos
asociados, evaluacin de los
escenarios e integracin de resultados
con riesgos/complejidad, seleccin del
escenario ptimo para FEL-D
(Definicin) e ingeniera conceptual.
Continuacin del modelado detallado
de las incertidumbres tcnicas y
los riesgos asociados para el
escenario seleccionado, definicin de
costos Clase III, ingeniera bsica, los
detalles del plan de explotacin para
su integracin en la cartera de
proyectos y el plan operacional.
Identificamos todas las incertidumbres
tcnicas?
Modelamos todas las incertidumbres o
presentamos un plan para su
cuantificacin?
Presentamos las bases para la seleccin
del escenario ptimo basado en el
desempeo del escenario, su complejidad
y riesgos asociados?
Hay un plan de administracin de cada
riesgo y un plan para medir su impacto en
los resultados de la explotacin de la
oportunidad?
La ingeniera bsica tiene todos los
componentes listos de subsuelo, pozos,
superficie, Seguridad Industrial
Proteccin Ambiental y los recursos
financieros?
El plan de operacin maestro es factible
ecolgica, social, tcnica y
econmicamente?
Pasa a la siguiente Fase (con o sin condicionantes).
Requiere ajustes para poder continuar.
No pasa (regresa a la cartera en espera con recomendaciones).
Entre los elementos diferenciadores de la metodologa FEL, vale la pena destacar dos
particularmente importantes:
La metodologa obliga a la identificacin, evaluacin y jerarquizacin de mltiples
posibilidades de desarrollo. Este proceso se soporta en su etapa inicial en la llamada
Matriz de Visualizacin de Opciones .
El proceso FEL es una metodologa de Administracin de Proyectos que sustenta sus
resultados en Anlisis Cuantitativo de Riesgo (Quantitative Risk Analysis - QRA), lo que
implica la rigurosa caracterizacin probabilista de las variables, as como la cuantificacin y
propagacin de las incertidumbres que se traducen en riesgos para el proyecto; tales como
las variables fsicas que gobiernan el yacimiento, las variables asociadas a la extraccin,
transporte y almacenamiento de la produccin y las financieras que regulan la rentabilidad
del negocio.
El dimensionamiento del riesgo y la incertidumbre en la Metodologa FEL se hace a travs
de un Modelo Probabilista denominado Modelo Integrado del Activo (MIAc) . El MIAc
es; en el contexto de la mencionada metodologa, la herramienta fundamental para tomar
decisiones.
I nc er t i dumbr e en l a
I ndust r i a del Gas y del
Pet r l eo
2.- Cunto petrleo hay en el yacimiento?
VOI
Volumtrico
Curvas de declinacin
Balance de Materiales
Simulacin Matemtica
RESERVAS
Fr
Reservas Probadas
Reservas Probables
Reservas Posibles
Reservas por descubrir
Prospecto
Trampa
Roca Fuente
Migracin
Sello
Productividad
Incertidumbre Geolgica
Incertidumbre Volumtrica
3.- Cunto de se petrleo es extrable?
1.- Hay un yacimiento de hidrocarburos ?
Incertidumbre en la Industria del Gas
y del Petrleo
4.- Cules son los mecanismos de produccin asociados a esa extraccin?
Mtodos de
Produccin
Flujo Natural, BN, BEC, BCP,
Bombeo Mecnico, Bombeo Hidrulico
Confiabilidad del Mtodo de Produccin
Tcnicas de
Perforacin
Tipo de Terminacin
Tecnologa de Perforacin
Tiempo de Perforacin
Incertidumbres Operacionales
Mecanismos
de
Produccin
Expansin roca - fluido
Gas en solucin
Capa de gas
Influjo de agua
Segregacin gravitacional
Incertidumbre de
Produccin
5.- Qu tan exitosa puede ser la extraccin?
Incertidumbre en la Industria del Gas y del
Petrleo
Vida til
Yacimiento
Declinacin de Produccin
Frentes de Agua y Gas
Mtodos de Recuperacin Secundaria
Mtodos de Recuperacin Terciaria
6.- Durante cunto tiempo puede producir el yacimiento?
Rentabilidad
Precio de Venta del Crudo
Costo de Produccin
Tasa de Descuento
Variables Macroeconmicas
Mercado
8.- Qu tan rentable es el negocio?
Infraestructura
para
Producir
Instalaciones de Produccin
Ingeniera de Procesos
Costo Mantenimiento y Energa
Disponibilidad y Confiabilidad
Flexibilidades Operacionales
7.- Cmo manejar en superficie la
produccin del yacimiento?
Incertidumbre
de
Produccin
Petrleo
Incertidumbre
Financiera
Ejercicio Introductorio
Ver Ejercicio Introductorio Eval. Econmica Pozo.xls
Petrleo
Petrleo
De dnde viene la
Incertidumbre ?
De los datos:
Calidad - Cantidad
Tecnologa de recoleccin
De los modelos
matemticos
Del comportamiento
humano
De comportamientos
aleatorios
De la heterogeneidad
de los sistemas
Del nivel de
conocimiento de
Sistemas / Procesos
De la variabilidad
inherente de
Sistemas / Procesos
Incertidumbre - Fuentes
Petrleo
Alto Riesgo
Alto Impacto
Dependencia del Factor Suerte
Ambiente Reactivo
Sub o Sobre Dimensionamiento
Ignorarla y
Decidir
Altos Costos en Sistemas de Informacin
Conflicto por Calidad del Dato
Parlisis por Anlisis
Tratar de
Eliminarla para
Decidir
ADMINISTRACIN DE LA
INCERTIDUMBRE
Considerarla en el
Anlisis, Cuantificarla
y Decidir
G
A
P

D
E

O
P
C
I
O
N
E
S
Cmo tomar decisiones en presencia de Incertidumbre?
Petrleo
Administracin 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 decisin y
mejorando nuestro nivel de conocimiento, cuando ello es tcnicamente factible y
econmicamente rentable.
Petrleo
Dimensionar
Incertidumbre
Dato - Modelo
Estimar
Impacto
Incertidumbre
sobre Modelo de
Toma de
Decisiones
Reducir
Incertidumbre
Tcnicamente
Factible y
Econmicamente
Rentable
Valor de la Informacin
Contenido
Da 2
Probabilidad
Muestra y Poblacin
Histogramas
Fundament os de Pr obabi l i dad y
Est adst i c a Desc r i pt i va
Marco matemtico para predecir el futuro modelando la
experiencia.
Probabilidad:
Enfoque Frecuentista
Basada en la historia
de ocurrencias
Enfoque Subjetivo
Basada en grado de conocimiento
(Grado de creencia)
Enfoque
Clsico
Enfoque
Bayesiano
0 1
El evento o escenario El evento o escenario
A no se presentar. A no se presentar.
El evento o escenario El evento o escenario
A se presentar. A se presentar.
P(A) P(A)
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)
Conceptos Bsicos - Probabilidad
( )
|
.
|
\
|
=

n
n
lim A Pr
A
n
n
A
: Nmero de veces que se observa el evento A
n: Nmero total de observaciones o tamao de muestra
Poblacin: es el conjunto de todos los elementos que son objeto del estudio
estadstico.
Muestra: es un subconjunto, extrado de la poblacin (mediante tcnicas de
muestreo), cuyo estudio sirve para inferir caractersticas de toda la poblacin.
Individuo: es cada uno de los elementos que forman la poblacin o la muestra.
Poblacin y Muestra
NOTA: Para seleccionar una muestra deben utilizarse tcnicas de muestreo para
que los individuos o elementos de este subconjunto tengan las caractersticas
distintivas de la poblacin; pero que a la vez representa la heterogeneidad de dicha
poblacin respecto a otras caractersticas y atributos.
Muestra Representativa
Para considerar que una muestra es representativa, la misma debe ser:
Robusta: La muestra contiene la cantidad suficiente de datos para que se puedan
hacer inferencias vlidas y minimizar el margen de error.
Fidedigna: Los elementos de la muestra reproducen la realidad de los procesos y
variables bajo anlisis; es decir, los atributos del dato son coherentes y
corresponden a las condiciones y caractersticas del proceso.
Justa (sin sesgo): La muestra debe tener elementos de todas las reas del
proceso, para representar adecuadamente su heterogeneidad.
Estandarizada: Los datos de la muestra deben tener atributos y formato
predefinido para reducir inconsistencias.
Ejemplos de Clculos
de Probabilidad:
( )=

n
n
lim A Pr
A
n
nA: Nmero de veces que se observa el evento
A
n: Nmero total de observaciones o tamao
de muestra
En los ltimos 3 aos, se han perforado 100
pozos en campos similares geolgica y
estructuralmente al campo en el cual se
perforar el Pozo LM 14022003.
Adicionalmente se ha comprobado que los
pozos perforados son mecnica y
tecnolgicamente equivalentes al nuevo
pozo.
El anlisis de estos 100 pozos nos deja las
siguientes cifras:
De 100 pozos perforados, 85 pozos fueron
completados en el objetivo geolgico
planificado.
15 pozos fueron completados en otro
objetivo geolgico.
De los 15 pozos completados en otro
objetivo, 5 pozos fueron abandonados, y el
resto de ellos fueron productores.
85 . 0
100
85
) A Pr( = =
Probabilidad de Completar el Nuevo Pozo en el
Objetivo Geolgico planeado (Evento A):
Probabilidad de Completar el Pozo en un Objetivo
Geolgico distinto al planeado (Evento B):
15 . 0
100
15
) B Pr( = =
Probabilidad de Abandonar el Nuevo Pozo (Evento C):
05 . 0
100
5
) C Pr( = =
Probabilidad de Abandonar el Nuevo Pozo dado que
no se pudo completar en un Objetivo Geolgico
distinto al Planeado (Evento D):
333 . 0
15
5
) D Pr( = =
1 0
30
3
fracaso prob p
30 n trials
3 k fracasos
. .
:
:
= = =
=
=
1 0
10
1
fracaso prob p
10 n trials
1 k fracasos
. .
:
:
= = =
=
=
Con ambas muestras se
obtiene el mismo estimado
para la probabilidad de
fracaso p=0.1
A pesar de obtener el
mismo resultado,
consideramos que la
estimacin de la
probabilidad hecha con la
muestra 2 tiene mayor
confianza porque la
muestra es mas grande.
Conceptos Bsicos Influencia del Tamao de la Muestra
Ejemplo No. 1
Perforacin Localizacin xito Fracaso
1 KPTZ X
2 GTHS X
3 RVHT X
4 HAVM X
5 JEIV X
6 HYSE X
7 PLIA X
8 NBSE X
9 OKYB X
10 MNTD X
Muestra 1: Pozos Campo R2M
Perforacin Localizacin xito Fracaso
1 KPTZ X
2 CRAL X
3 HAVM X
4 GTHS X
5 RVHT X
6 BCUB X
7 MTSC X
8 JDLD X
9 PKTF X
10 JEIV X
11 HYSE X
12 HERR X
13 PLIA X
14 NBSE X
15 OKYB X
16 MNTD X
17 TBNM X
18 YTED X
19 SHG X
20 POWE X
21 NLAW X
22 QPLA X
23 OYEB X
24 NESR X
25 IUER X
26 AZVU X
27 OKEA X
28 BJCE X
29 UHA X
30 ERTF X
Muestra 2: Pozos Campo R2M
En el ejemplo anterior se estim la probabilidad p como:
Donde : p: Probabilidad de Fracaso o Abandono del Pozo
k: No de fracasos en la historia o muestra de perforaciones analizadas
n: No de perforaciones consideradas en la muestra
Sin embargo, esto es solo un estimado puntual . El verdadero valor de p se encuentra en el
rango.
El ancho o incertidumbre de este rango depende del tamao de la muestra analizada y del grado
de confianza que se le dar a la estimacin.
HIGH LOW
p p p
n
k
p =
) ( ) (
), ( ), ( ), ( ,
2
k n 2 1 k 2
2
1 1 k n 2 k 2
F 1 k
k n
1
1
n
k
p
F k
1 k n
1
1

+ +
+

+
=
+
+
) (
), ( ,
2
1 1 k n 2 k 2
LOW
F k
1 k n
1
1
p
+
+
+
=
Estimado Optimista
n
k
p =
Estimado Ms Probable
) ( 1
1
1
2
), ( 2 ), 1 ( 2

k n k
HIGH
F k
k n
p
+
+

+
=
Estimado Pesimista
Ejemplo No. 1
En conclusin, el anlisis de las muestras 1 y 2 de xitos y fracasos en perforacin nos permite estimar para el
parmetro probabilidad de fracaso lo siguiente:
NOTA: Estos resultados se obtuvieron
con la herramienta RARE.xls, en la
seccin de Interval Estimation
Estos rangos
pueden obtenerse
con distintos grados
de confianza
Ver Ejemplo No.1 Incertidumbre en Parmetros - p.xls
Lectura No.1: Estimacin Intervalos Parmetros Binomial RARE. doc
Ejemplo No. 1
Nmero de
Fracasos
k 1
Nmero de
Fracasos
k 3
Nmero de
Intentos
n 10
Nmero de
Intentos
n 30
Grado de
Confianza
Estimado
"Optimista"
p
LOW
Estimado
"Mas Probable"
p
Estimado
"Pesimista"
p
HIGH
Estimado
"Optimista"
p
LOW
Estimado
"Mas Probable"
p
Estimado
"Pesimista"
p
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 0.0116 0.1000 0.3200
Muestra 2 Muestra 1
HIGH
Estadstica Descriptiva
La Estadstica Descriptiva es la ciencia que se ocupa del estudio de la variacin, dispersin o
incertidumbre de un tipo especial de variables conocidas como Variables Random, Variables
Aleatorias, Variables Dispersas o Variables Distribuidas
La Estadstica Descriptiva se apoya en herramientas matemticas conocidas como
Distribuciones de Probabilidad y en indicadores de comportamiento de los datos
conocidos como estadsticas de la variable aleatoria que en conjunto permiten organizar,
describir, representar matemtica y grficamente la informacin sobre este tipo de variables y
cuantificar su incertidumbre.
.
Conceptos Bsicos Estadstica Descriptiva
2
2
1
.
2
1
) (
.
|
\
|

x
e x f
Media 68.53
Error tpico 1.31
Mediana 67.45
Moda 66.34
Desviacin estndar 13.06
Varianza de la muestra 170.54
Curtosis 0.00
Coeficiente de asimetra 0.46
Rango 60.60
Mnimo 41.62
Mximo 102.22
Estadsticas Variable Aleatoria
Histograma de
Frecuencias
Curva de
Probabilidad
Se denomina variable aleatoria, random o distribuida, a una variable X que por sus
caractersticas pueda tomar un conjunto de valores (x
1
, x
2
, x
3
, x
4
, ... x
n-1
) cada uno de los
cuales tiene una probabilidad de ocurrencia (p
1
, p
2
, p
3
, p
4
, ... p
n-1
,), sin que se pueda asegurar
especficamente cual de todos estos probables valores tomar la variable.
Variables Aleatorias Discretas: Son variables aleatorias que slo pueden tomar valores
enteros, es decir, un nmero finito de valores contables.
Variables Aleatorias Continuas: Son variables aleatorias que pueden tomar infinitos valores
en un intervalo dado.
Las variables aleatorias discretas se identifican de las continuas, porque para cuantificar su
frecuencia hay que contar, mientras que para las variables aleatorias continuas hay que
medir.
Conceptos Bsicos Variables Aleatorias
Convenio de Notacin
(X=x
i
): representa el evento "la variable
aleatoria X toma el valor x
i
p(X=x
i
): representa la probabilidad que la
variable aleatoria X tome el valor x
i
.
Grficos para Variables Aleatorias - Distribuciones de Probabilidad
Las Distribuciones de Probabilidad, son modelos grficos que muestran la relacin entre los
diversos probables valores que puede tomar una variable aleatoria y la frecuencia de repeticin
u ocurrencia de estos probables valores.
Las Distribuciones de Probabilidad se clasifican en dos familias:
Distribuciones de la Muestra o Histogramas de Frecuencia
Distribuciones de la Poblacin o Distribuciones Paramtricas
Distribucin Parametrica Histogramas de Frecuencias
F
r
e
c
u
e
n
c
i
a
s
x x
f(x) f(x) Distribucin Parametrica Histogramas de Frecuencias
F
r
e
c
u
e
n
c
i
a
s
x x
f(x) f(x)

Conceptos Bsicos Variables Aleatorias
Est adst i c a de l a Muest r a
Consultar Libro Confiabilidad Integral Tomo I (pag 62 -
66 )
Distribuciones de Probabilidad de la Muestra - Histogramas de Frecuencia
Formatos de Histogramas
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
9.1 - 9.4 9.4 - 9.7 9.7 10.0 10.0 10.3 10.3 10.6 10.6 10.9
F
r
e
c
u
e
n
c
i
a
Clases
Histograma de Frecuencia

0
0.2
0.4
0.6
0.8
1
1.2
9.1 - 9.4 9.4 - 9.7 9.7 10.0 10.0 10.3 10.3 10.6 10.6 10.9
P
r
o
b
a
b
i
l
i
d
a
d
A
c
u
m
u
l
a
d
a
Aceleracin de Gravedad (mts/seg2)
Histograma Acumulado Directo
0
0.2
0.4
0.6
0.8
1
1.2
9.1 - 9.4 9.4 - 9.7 9.7 10.0 10.0 10.3 10.3 10.6 10.6 10.9
P
r
o
b
a
b
i
l
i
d
a
d
A
c
u
m
u
l
a
d
a
Aceleracin deGravedad (mts/seg2)
Histograma Acumulado Inverso
Histogramas de Frecuencias Histogramas de Frecuencias Histogramas de Frecuencias Histogramas de Frecuencias
Frecuencias
Acumuladas
Frecuencias
Acumuladas
Frecuencias
Acumuladas
Frecuencias
Relativas
Frecuencias
Relativas
Frecuencias
Relativas
Directas Directas Directas Inversas Inversas Inversas
Estadstica Descriptiva Estadstica de la Muestra
Ejemplo No. 2: La tabla que se muestra a continuacin, muestra los valores de Porosidad
medidos en 40 pozos de un yacimiento de petrleo. Se requiere:
1.- Elaborar un histograma de frecuencias de la variable porosidad del yacimiento.
2.- Elaborar un histograma acumulado directo de la variable porosidad del yacimiento
Ver Ejemplo No 2 Histogramas (Porosidad).xls
Consultar Lectura No 2 - Procedimiento para crear un Histograma usando Excel.pdf
Promedio o Media Muestral
Desviacin Estndar Muestral
Percentiles
X =

=
n
1 i
i
x
n
1

( ) . X x .
1 n
1
s
n
1 i
2
i
|
.
|
\
|

=

=
0.8
Estadsticas
Ver Ejemplo No 3 - Histogramas (Act Perforacin).xls
Consultar Lectura No 3 - Procedimiento para obtener
las Estadsticas de una Muestra con Excel pdf
1.- Construya los histogramas de
frecuencia y acumulado de los datos de
la muestra utilizando funciones de Excel
2.- Para la muestra dada, usando las
funciones de estadstica de Excel,
calcular:
Meda de la Muestra
Desviacin Estndar de la Muestra
Percentiles 60 y 80
Ejemplo No. 3: La tabla anexa contiene una muestra de 100 valores de tiempo correspondientes
a una de las actividades rutinarias en la secuencia operacional de perforacin de un pozo.
Actividad: Bajar Conductor de 13. 3/8", recolectados de bitcoras de perforacin de una muestra
de pozos.
Para los datos suministrados, se solicita:
Influencia del Tamao de la Muestra en el clculo de las estadsticas
Media o Promedio
Distribuciones de Probabilidad de la Muestra
La Media (m) (promedio, average, valor esperado o esperanza matemtica) es posiblemente el parmetro o
estadstica mas conocida, y la mas utilizada como valor estimado de una variable.
Tradicionalmente, la media para una variable aleatoria X, se calcula como m =
Donde: X
i
: Valores de la muestra de la variable aleatoria X y n: tamao de la muestra
Sin embargo, esto es slo un estimado puntual . El verdadero valor de m se encuentra en el rango
El ancho o incertidumbre de este rango depende del tamao de la muestra analizada y del grado de
confianza que se le dar a la estimacin.
HIGH LOW

X =

=
n
1 i
i
x
n
1

n
Z X
n
Z X
2
1
2
1

+ < <
Ver Ejemplo No.4 Incertidumbre en Parmetros -
media.xls
Lectura No. 4: Estimacin Intervalos Parmetros - Media RARE. pdf
Influencia del Tamao de la Muestra - Incertidumbre de Estadsticas Media o Promedio
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

Ejemplo No. 4: A continuacin se suministran 2 set de datos de espesores por pozo. Para el primer set
de datos slo se logr reunir un total de 15 pozos, sin embargo, un equipo de ingenieros se dedic a
compilar informacin que no estaba reportada en los sistemas formales de informacin y lograron
enriquecer el primer set con 35 pozos adicionales, obteniendo el set de datos No. 2.
Para las muestras observadas en las tablas anexas, y utilizando la herramienta RARE.xls, estimar los intervalos y el valor ms
probable para la Espesor Promedio (pies) para los niveles de confianza de 80, 90 y 99%.
Contenido
Da 3
Probabilidad
Muestra y Poblacin
Histogramas
Est adst i c a de l a Pobl ac i n
Distribuciones de Probabilidad PARAMTRICAS
Una distribucin de probabilidad paramtrica tambin conocida como curva
de probabilidades, es una funcin matemtica terica, que describe la forma en
que se espera que varen los probables valores de una variable random, es decir,
una funcin matemtica que relaciona los diversos probables valores que puede
tomar una variable random con la probabilidad de ocurrencia de cada uno de ellos.
Estadstica Descriptiva Estadstica de la Poblacin
2
2
1
.
2
1
) (
.
|
\
|

x
e x f
Distribucin de frecuencias o densidad de probabilidad f(X)
Distribucin de probabilidad acumulada directa F(X)
sombreada _ Area dx ) x ( f ) x ( F ) x x Pr(
i
x
i i
= = =

SE DEFINE COMO:
f(x
i
)=Pr(x=x
i
)=p
i
INTERPRETACIN:
PROBABILIDAD DE OBSERVAR EL VALOR x
i
SE DEFINE COMO:
F(x
i
)=Pr(x x
i
)
INTERPRETACIN:
PROBABILIDAD DE OBSERVAR VALORES x
i
Al igual que para las distribuciones no paramtricas, existen dos formatos para cada distribucin
paramtrica, el formato de frecuencia relativa o densidad y el formato acumulado.
Distribuciones de Probabilidad PARAMETRICAS - Formatos
X
x
i
F(x
i
)
0
1
F(x)
C(x
i
)
C(x)
X
x
i
0
1
C(x
i
)
C(x)=1-F(x)
Distribucin de probabilidad acumulada inversa - C(X)

+

= = =
i
i
x
x
i i
dx ) x ( f dx ) x ( f 1 ) x ( C ) x x Pr(
SE DEFINE COMO:
C(x
i
)=Pr(x x
i
)
INTERPRETACIN:
PROBABILIDAD DE OBSERVAR VALORES x
i
Distribuciones de Probabilidad PARAMETRICAS - Formatos


X
L
=5%
LIMITE
INFERIOR
Pr(X< X
L
)=0.05
X
U
=95%
LIMITE
SUPERIOR
Pr(X< X
U
)=0.95
90 % INTERVALO DE
CONFIANZA
Pr(L<X<U)=0.9
=MEDIA (medida de la tendencia
central, o valor esperado
de la variable)
=Desviacion estandar
(Medida de la dispersion incertidumbre
asociada a la variable)
X
f(x)
X
M
=MODA (valor de la variable con
mayor probabilidad de ocurrencia)
X
M
Una distribucin se caracteriza por:
El valor central o medida de posicin (la media, la mediana o la moda).
Una cantidad que expresa el grado de dispersin (la desviacin estndar).
La forma de la curva, es decir la forma general de la distribucin probabilstica.
Distribuciones de Probabilidad PARAMETRICAS - Estadsticas
Variables
Aleatorias
Discretas
Variables
Aleatorias
Continuas
Distribucin Normal
Distribucin Lognormal
Distribucin Exponencial
Distribucin de Weibull
Distribucin Beta
Distribucin Gamma
Distribucin Triangular
Distribucin Uniforme
Distribucin Binomial
Distribucin de Poisson
Dist. Hipergonomtrica
Distribucin Geomtrica
Distribuciones de Probabilidad PARAMETRICAS
Modelos Paramtricos de uso comn
Consultar Libro Confiabilidad de Integral Tomo I (pag 67 92)
Distribuciones de Probabilidad PARAMETRICAS - Modelos Matemticos
Distribucin f(t): Distribucin de
Frecuencia Relativa
F(t): Distribucin
Acumulada Directa
C(t)=1-F(t): Distribucin
Acumulada Inversa
Exponencial
t
e t f

= ) (
t
e t F

= 1 ) (
t
e t C

= ) (
Weibull
(
(
|
.
|
\
|

=

t
e
t
t f
1
) (
(
(
|
.
|
\
|
t
e t F 1 ) (
(
(
|
.
|
\
|
t
e t C ) (
Gamma
( )

t
e
t
t f

=
1
) (

( )
dt e t t F
t
t

=
1
0
1
) (

) ( 1 ) ( t F t C =
Normal
2
2
1
2
1
) (
|
.
|
\
|

t
e t f

dt e t F
t
+

|
.
|
\
|
|
|
|
.
|
\
|
=
2
2
1
2
1
) (

) ( 1 ) ( t F t C =
Log- Normal
2
) ln(
2
1
2
1
) (
|
|
.
|
\
|
=
t
t
t
t
e
t
t f

=
0
) ( ) ( dt t f t F ) ( 1 ) ( t F t C =

Da 3
De la Estadstica de la Muestra a la de la Poblacin (Muestras Pequeas <15 Datos)
Caracterizacin probabilstica de la
muestra o Cmo seleccionar el modelo
de distribucin de probabilidad para una
muestra dada?
De l a Est adst i c a de l a
Muest r a a l a de l a Pobl ac i n
Muest r as Gr andes > 14 Dat os
Distribucin Parametrica Histogramas de Frecuencias
F
r
e
c
u
e
n
c
i
a
s
x x
f(x) f(x) Distribucin Parametrica Histogramas de Frecuencias
F
r
e
c
u
e
n
c
i
a
s
x x
f(x) f(x)

Distribucin No Paramtrica Distribucin Paramtrica
F
r
e
q
u
e
n
c
i
e
s
Estadstica de la Muestra Estadstica de la Poblacin
X =

=
n
1 i
i
x
n
1

+

= dx x f x ) ( . Media de la Muestra
Media de la Poblacin
( ) . .
|
|
.
|
\
|

=

=
n
1 i
2
i
X x
1 n
1
s
Poblacin SD
Muestra SD
2
1
2
dx x f x
|
|
.
|
\
|
=

+

) ( . ) (
De la estadstica de la muestra a la de la poblacin
De la Estadstica de la Muestra a la Estadstica de la
Poblacin
Sugerencias para Plantear Hiptesis sobre Modelos de Probabilidad que puedan hacer un
buen ajuste sobre los datos de una Muestra.
Variables por Opinin Expertos

Variables Relacionadas con Tiempo
Variables Fsicas Variables Fsicas

Variables Relacionadas
con Desviacin o Error
con Desviacin o Error

con xito y Fracaso
con xito y Fracaso

Poblacin
Muestra
X
1
X
2
X
3
X
4
.
.
.
Xn
n= nmero de
datos de la
muestra o
tamao de
muestra
Establecer Distribucin de
Probabilidad Hiptesis
) , , (
2
2
1
X F ) , , (
2
1
1
X F ) , , (
2 1 m
X F
Test de Bondad de
Ajuste
Es el mejor ajuste para los
Datos de la Muestra
) , , X ( F
2
2
1

F(x)
X
0
0.2
0.4
0.6
0.8
1
0.064-0.086 0.086-0.108 0.108-0.13 0.13-0.152 0.152-0.174 0.174-0.196 0.196-0.218 0.218-0.24
0
1
2
3
4
5
6
7
8
F
f
x
x
Hiptesis 1
Hiptesis 2
Hiptesis m
0
2
4
6
8
1
2
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
) , , (
) , , (
2 1 1
2 1 1
x F
x f

) , , (
) , , (
2 1 2
2 1 2
x F
x f

) , , (
) , , (
2 1 m
2 1 m
x F
x f

Caracterizacin probabilstica de la muestra o Cmo seleccionar el modelo de
distribucin de probabilidad para una muestra dada?
De la estadstica de la muestra a la de la poblacin MUESTRAS GRANDES
Poblacin
Ejemplo No. 5
Consultar Lectura No 5 - Procedimiento para caracterizar variables
apoyados en Crystal Ball.pdf
De la estadstica de la muestra a la de la poblacin MUESTRAS GRANDES
Poblacin
La tabla que se muestra a continuacin, muestra los valores de Costos de Perforacin de
30 pozos de un yacimiento de petrleo. Se requiere:
Utilizando el software Crystall Ball,
caracterice en forma probabilstica
la variable en estudio encontrando
la distribucin paramtrica que
mejor represente los datos.
Calcule las siguientes magnitudes
de inters:
- Media
- Desviacin estndar
- Percentil 10, 50 y 90.
Costos de Perforacin (MMUSD)
18.00 9.62 19.16
8.70 15.10 14.09
8.82 26.75 25.72
9.20 25.79 22.01
10.39 23.00 9.66
9.85 20.89 18.13
9.28 29.54 16.3
10.11 14.11 19.5
10.03 20.87 21.49
10.40 26.79 14.84
Ver Ejemplo No 5 Caracterizacin Probabilista de Variables (Costos de Perforacin).xls
Cmo representar una variable aleatoria
cuando la evidencia muestral es nula o
demasiado pequea y el conocimiento sobre la
variable aleatoria reside en la mente de los
expertos?
De l a Opi ni n de Ex per t os
a l a Est adst i c a de l a
Pobl ac i n
La opinin de expertos representa una de las fuentes fundamentales de informacin para
clculos en ingeniera y es particularmente til cuando se trata de anlisis de riesgo.
Los expertos poseen valiossima informacin sobre las variables y su incertidumbre
normalmente sustentada en la observacin y experiencia con procesos similares.
El procedimiento para aprovechar la opinin de expertos como fuente de informacin puede
dividirse en dos reas:
1.- Tcnicas de Entrevistas del Experto o Grupo de Expertos, tales como el Mtodo de Delphi,
que permite obtener la opinin de expertos, documentarla y reducir su subjetividad.
2.- Tcnicas Matemticas para Modelar la Opinin; lo que implica:
Uso de Distribuciones de Probabilidad como BetaPert, LogNormal, Triangular y
Uniforme para modelar la opinin.
Teorema de Bayes; como mtodo matemtico para combinar la opinin de expertos, con
evidencia o datos propios.
Caracterizacin Probabilstica de las Variables a partir de la Opinin de Expertos
De la Opinin de Expertos a la Estadstica de la
Poblacin
Caso 1: Distribucin BetaPert: Se utiliza para representar
probabilsticamente la opinin de expertos en los siguientes
casos:
La opinin del experto viene expresada en tres valores;
un mnimo (Xmin), un valor mas probable (Xmprob) y un
mximo (Xmax).
La variable que se esta representando es una variable
fsica o una variable relacionada con tiempo.
f(X )
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,1190 0,1390 0,1590 0,1790 0,1990 0,2190 0,236
f(X )
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,1190 0,1390 0,1590 0,1790 0,1990 0,2190 0,236
f(X )
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,1190 0,1390 0,1590 0,1790 0,1990 0,2190 0,236
X
min
X
max
X
mas probable
EXPERTO
Caso 2: Distribucin LogNormal: Se utiliza para
representar probabilsticamente la opinin de expertos en los
siguientes casos:
La opinin del experto viene expresada en dos valores;
un mnimo (Xmin) y un mximo (Xmax). El experto
expresa que debe haber un valor mas probable pero no
puede estimarlo.
La variable que se est representando es una variable
fsica o una variable relacionada con tiempo.
0.00000
0.00050
0.00100
0.00150
0.00200
0.00250
0.00300
0.00350
0.00400
0 0.1 0.2 0.3 0.4 0.5 0.6
X
P
r
o
b
a
b
i
l
i
t
y
MIN % 5
X X =
MAX % 95
X X =
EXPERTO
Poblacin
Caso 3: Distribucin Triangular: Se utiliza para
representar probabilsticamente la opinin de expertos en los
siguientes casos:
La opinin del experto viene expresada en tres valores;
un mnimo (Xmin), un valor mas probable (Xmprob) y un
mximo (Xmax).
La variable que se esta representando es una variable
relacionada con precios o costos.
Caso 4: Distribucin Uniforme: Se utiliza para representar
probabilsticamente la opinin de expertos en los siguientes
casos:
La opinin del experto viene expresada en dos valores;
un mnimo (Xmin) y un mximo (Xmax).
El experto expresa que no hay un valor ms probable, es
decir, estima que todos los valores en ese rango tienen la
misma probabilidad de ocurrir.

f(x)
X
x
min x
mprob.
x
max
f(x)
X
x
min x
mprob.
x
max
EXPERTO
f(x)
X
x
min
x
max
a b
EXPERTO
Poblacin
Ejemplo No. 6
En la siguiente tabla se presentan los estimados realizados por expertos de Geociencias de los probables
valores para la variable Espesor Neto (h) o Arena Neta Petrolfera (ANP).
Ntese que estimacin del rea, est dada por tres valores (Un mximo, un mnimo y un ms probable)
Con esta informacin conteste las siguientes preguntas:
1.- Qu distribucin de probabilidades puede usarse para representar dicha variable? Justifique su
seleccin.
Ver Ejemplo No 6 Opinin de Expertos xls
Consultar Lectura No 6 - Proc. para caracterizar Opinin de
Expertos con Crystal Ball BetaPert.odf
h (pies)
Mnimo Mas Probable Mximo
19 34 150
Poblacin
Despus de un anlisis del comportamiento de produccin del yacimiento en el Campo XRM, el Ing. de
Yacimientos a cargo expresa su estimacin sobre la declinacin del mencionado yacimiento, tal como se
muestra en la tabla siguiente:
Ntese que la estimacin de la Velocidad de Declinacin, est dada por dos valores (un mximo y un
mnimo). Con esta informacin conteste las siguientes preguntas:
1.- Qu distribucin de probabilidades puede usarse para representar dicha variable? Justifique su
seleccin.
Ver Ejemplo No 7 Opinin de Expertos xls
Consultar Lectura No 7 - Procedimiento para Opinin de
Expertos con Crystal Ball- LogNormal.pdf
Ejemplo No. 7
Factor de
Declinacin
Yacimiento
XRM
Mnimo 0.1228
Mximo 0.3826
Poblacin
Da 4
Caracterizacin probabilstica de la
muestra o Cmo seleccionar el modelo
de distribucin de probabilidad para una
muestra dada?
De l a Est adst i c a de l a
Muest r a a l a de l a Pobl ac i n
Muest r as Pequeas < 15 dat os
Poblacin
De la estadstica de la muestra a la de la poblacin MUESTRAS PEQUEAS
Tamao de Muestra entre 6 y 15 datos OPCIN 1
Paso 1: Determine el Valor Mnimo de los datos de la muestra.
Paso 2: Determine el Valor Mximo de los datos de la muestra.
Paso 3: Utilizando las facilidades de Excel explicadas en la Lectura No. 2, construya un histograma de
frecuencias relativas con los datos de la muestra y determine a partir del grfico, el Valor Moda o Valor Ms
Probable.
Paso 4: Con los tres valores previamente calculados, construya una Distribucin BetaPert.
Pozos Muestra % Declinacion
Pozo 1 17.30%
Pozo 2 15.80%
Pozo 3 17.00%
Pozo 4 14.20%
Pozo 5 10.70%
Valor Mnimo
Pozo 6 20.70%
Pozo 7 19.50%
Pozo 8 25.20%
Pozo 9 46.90% Valor Mximo
Pozo 10 27.70%
Muestra Datos
Valor Ms Probable o Moda
Pasos 1 y 2 Paso 3
Paso 4
0.00%
20.00%
40.00%
60.00%
80.00%
100.00%
120.00%
0
1
2
3
4
5
6
7
10.70% 22.77% 34.83% y mayor...
Clase
Histograma de Declinacin
Tamao de Muestra entre 6 y 15 datos OPCIN 2
Paso 1: A partir de los datos de la muestra y utilizando la funcin PERCENTIL de Excel, calcule los
Percentiles 5% y 95% (P5% y P95%).
Paso 2: Con los dos valores previamente calculados, construya una Distribucin LogNormal.
Vecinos % Declinacion
Pozo 1 17.30%
Pozo 2 15.80%
Pozo 3 17.00%
Pozo 4 14.20%
Pozo 5 10.70%
Pozo 6 20.70%
Pozo 7 19.50%
Pozo 8 25.20%
Pozo 9 46.90%
Pozo 10 27.70%
P5%=PERCENTIL(K15:K24,0.05)=0.12275
P95%=PERCENTIL(K15:K24,0.95)=0.3826
Poblacin
Tamao de Muestra < 6 datos
En el caso de muestras muy pequeas es recomendable apoyarse en el Teorema de Bayes que es
el mtodo matemtico para combinar evidencia escasa o poco robusta con datos anlogos o con
opinin de expertos y obtener una informacin mejorada.
La informacin mejorada de la variable o parmetro de inters, se denominar distribucin posterior o
posterior knowledge y se denota f(q/X). Esta informacin se obtiene combinando:
Una distribucin previa del parmetro de inters se denota como g(q) y representa el conocimiento
o experiencia previa (prior knowledge); normalmente proveniente de Opinin de Expertos o de Datos
Anlogos.
Una funcin de probabilidad llamada funcin de verosimilitud la cual representa la probabilidad de la
evidencia y se denota L(X/q); sta se construye a partir de la evidencia o datos propios.
La combinacin del conocimiento previo y la evidencia se hace mediante la ecuacin:
d g X L
g X L
X f
) ( ) (
) ( ) (
) / (
Teorema de Bayes
Poblacin
MUESTRAS PEQUEAS
Probabilidad de Fracaso p
Muestra xito
X1 x
X2
X3 x
X4 x
.
.
.
Xi x
Muestra xito
X1 x
X2
X3 x
X4 x
.
.
.
Xi x
p
p
LOW
p
HIGHT
Distribucin Beta-Pert
1 Informacin Previa
Trials (n
PREVIA
)
Fracasos (k
PREVIA
)
Muestra xito
X1 x
X2
.
.
.
Xi x
Muestra xito
X1 x
X2
.
.
.
Xi x
Trials (n
EVIDENCIA
)
Fracasos (k
EVIDENCIA
)
2 Evidencia (Experiencia Propia)
TEOREMA DE BAYES
3 Conocimiento Actualizado o Posterior
Datos Anlogos u Opinin de Expertos
CASO I: Distribucin de la Probabilidad de xito o Fracaso - n<6 datos
La aplicacin del Teorema de Bayes diagramada en esta lmina es especial para mejorar las estimaciones sobre la
Probabilidad de xito o Fracaso cuando se tienen pocos datos (Evidencia Escasa o Poco Robusta).
Esta aplicacin ha sido particularmente valiosa y exitosamente aplicada en la
Industria del Gas y del Petrleo en situaciones tales como:
Clculo de la Probabilidad de xito en la Perforacin de campos nuevos
(nuevos desarrollos).
Clculo de la Probabilidad de xito de una nueva tecnologa, es decir,
tecnologas en fase de maduracin.
Clculo de la probabilidad de xito de tcnicas de recuperacin mejorada,
para combinar los resultados de las pruebas de campo con informacin anloga
recolectada en otras partes del mundo.
CASO I: Distribucin de la Probabilidad de xito o Fracaso - n<6 datos
MUESTRAS PEQUEAS
CASO II: Distribucin del Valor Esperado de Variables o Propiedades - n<6 datos
La aplicacin del Teorema de Bayes diagramada en esta lmina es especial para mejorar las estimaciones
sobre el Valor Esperado o Promedio de una Variable Aleatoria o Propiedad cuando se tienen pocos
datos (Evidencia Escasa o Poco Robusta).
( )
( ) ( )
( )
( ) ( )
h
s
m
s
n
s
n
........ ..........
..... H
s
m
s
n
s
m
H
2
H
2
h
2
h
2
H
2
h
2
H
POSTERIOR
|
|
|
.
|
\
|
+
+
+
|
|
|
.
|
\
|
+
=
( ) ( )
|
|
|
|
.
|
\
|
|
.
|
\
|
+
=
2
H
2
h
POSTERIOR
s
m
s
n
1
H
( )
( )
+

|
.
|
\
|
|
.
|
\
|
= |
.
|
\
|

d g
H
L
g
H
L
H
f
Teorema de Bayes
Muestra de
tamao m
H1
H2
H3
H4
H5
.
.
.
.
.
.
Hm
Prior Knowledge
Datos Anlogos
( ) . H H .
1 m
1
s
m
1 i
2
i H
|
.
|
\
|

=

=
.
m
H
H
m
1 i
i
|
.
|
\
|
=

=
( )
|
|
.
|
\
|
|
.
|
\
|
=
m
S
, H Normal g
H
|
|
.
|
\
|
|
.
|
\
|
= |
.
|
\
|
n
S
, h Normal
H
L
h
Evidence
Datos Propios
( ) . h h .
1 n
1
s
n
1 i
2
i h
|
.
|
\
|

=

=
.
n
h
h
n
1 i
i
|
.
|
\
|
=

=
Muestra de
tamao n
h1
h2
h3
.
.
.
.
hn
H
h
POSTERIOR
H
POSTERIOR
H
Posterior Knowledge
Informacin Mejorada
|
.
|
\
|
n
S
h
|
.
|
\
|
m
S
H
MUESTRAS PEQUEAS
CASO II: Distribucin del Valor Esperado de Variables o Propiedades - n<6 datos
Esta aplicacin ha sido particularmente valiosa y exitosamente aplicada en la
Industria del Gas y del Petrleo en situaciones tales como:
Clculo de Volmenes Originales y Reservas para nuevos desarrollos utilizando
informacin de propiedades de campos anlogos.
Mejora de Pronsticos de Produccin generados por simulacin aprovechado
las primeras evidencias para actualizar el modelo.
MUESTRAS PEQUEAS
Oper ac i ones c on
Var i abl es Al eat or i as
Modelos Deterministicos
Modelo
(Informacin)
Variables de Entrada
(Informacin)
Variable de Salida
(Variable de decisin)
E =
(A+B+C)
D
Simulacin de Montecarlo
A
B
C
D
E
Modelo
(Informacin)
(Informacin)
Variable de Salida
(Variable de decisin)
E =
(A+B+C)
D
ETAPA 2:
PROPAGACION DE LA
INCERTIDUMBRE ASOCIADA A
CADA VARIABLE EN EL MODELO
MATEMATICO.
ETAPA 1:
CUANTIFICACION DE LA INCERTIDUMBRE
ASOCIADA A LAS VARIABLES DE ENTRADA O
CARACTERIZACION PROBABILISTICA DE LAS
VARIABLES DE ENTRADA
ETAPA 3:
CUANTIFICACION DE LA INCERTIDUMBRE
ASOCIADA A LA VARIABLE DE SALIDA O
RESULTADO, O CARACTERIZACION
PROBABILISTIA DEL RESULTADO
,000
,021
,041
,062
,083
50.680,17 54.456,64 58.233,11 62.009,58 65.786,05
E
,000
,250
,500
,750
1,000
50.000,00 54.375,00 58.750,00 63.125,00 67.500,00
E
Se propone realizar un Mantenimiento y el equipo de ingenieros necesita estimar el Tiempo Total de la Actividad,
con la finalidad de optimizar la programacin de recursos.
Suponga que para realizar este nivel de mantenimiento se realizan tres actividades bsicas (Act.1,Act.2,Act.3). En
las siguientes tablas se presentan los tiempos para cada una de las actividades, a partir de dos fuentes de
informacin, datos histricos de pozos de estructura similar y opinin de expertos.
Con esta informacin conteste las siguientes preguntas:
1.- Cul es la probabilidad que el mantenimiento se complete
antes de 30 das?
2.- Si tuviese que suministrar sus estimados sobre el Tiempo
para realizar un Mantenimiento, cual sera su respuesta?
Justifquela.
Operaciones con Variables Aleatorias Ejemplo No. 8 Parte I
Ver Ejemplo No 8 Parte I - Operacin con Variables (Tiempo Actividad).xls
Consultar Lectura No 8 - Procedimiento para efectuar Operaciones
con Variables Random apoyados en Crystal Ball.pdf
Act.1
12,805
11,603
12,634
10,243
6,572
15,218
14,397
17,782
25,959
19,044
19,926
19,311
19,578
18,365
9,778
15,345
11,222
18,483
14,091
11,778
Act.2
Mnimo 4
Mas Probable 10
Mximo 17
Act.3
Mnimo 2
Mas Probable 8
Mximo 32
De la poblacin total de actividades en la secuencia de Reparacin Mayor de un Pozo, asumiremos que las
actividades que conformarn la reparacin son las listadas a continuacin:
1.- Deslizar (D)
2.- Control de Pozo (CP)
3.- Recuperar Aparejo de Produccin (RAP)
4.- Perforar (P)
5.- Escarrear Tubera y Rimar Boca de Liner (ETRB)
6.- Estimulacin (E)
En las tablas de la pgina siguiente, se muestran los datos recopilados en bitcoras de perforacin de pozos
similares estructuralmente, geolgicamente equivalentes y de aproximadamente la misma profundidad, sobre la
duracin en horas de las actividades de la secuencia de reparacin previamente descrita
Basado en el listado de actividades y el set de datos en horas asociado a la duracin de cada una de ellas, se
solicita:
1.- Definir la Distribucin de Probabilidad que mejor describe a cada una de las actividades.
2.- Definir la Distribucin de Probabilidad que representa la variable Random "Tiempo Total de la Actividad de
Reparacin".
3.- Si usted es el responsable de suministrar a la alta Administracin el estimado de la variable Tiempo Total de la
Actividad de Reparacin, cual sera su respuesta?
Operaciones con Variables Aleatorias Ejemplo No. 8 Parte II Planteamiento del Problema
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
Operaciones con Variables Aleatorias Ejemplo No. 8 Parte II Datos
Ver Ejemplo No 8 Parte II - Operacin con Variables (Tiempo Perf).xls
Da 5
Anlisis de Sensibilidad
El anlisis de sensibilidad permite cuantificar la contribucin relativa de cada una de las variables aleatorias de
entrada a un modelo, a la dispersin o varianza del resultado o variable de salida del modelo. Obviamente es un
procedimiento que debe realizarse despus de haber completado la propagacin de incertidumbre ya sea por el
Mtodo de los Momentos o por Simulacin de Montecarlo.
Este anlisis es de vital importancia para la Administracin de la incertidumbre ya que permite identificar las
variables de entrada al modelo en las que debe centrarse la atencin y tomar las acciones necesarias (compra de
informacin, toma de datos, anlisis causa raz, etc) para mejorar el nivel de conocimiento sobre las mismas, (de
ser tcnicamente factible y econmicamente rentable), porque solo as se lograr reducir la incertidumbre de la
variable de salida.
Existen diversos tipos de anlisis de sensibilidad, cada uno de los cuales tiene un grfico de resultados
caracterstico. En los siguientes puntos se ampliar en detalles los tipos de anlisis de sensibilidad mas conocidos.
Identificar
Centrar
Atencin
Tomar
Decisiones
Variables Sensibles del
Proceso
Variables Crticas
Tcnicamente Factibles
Econmicamente Rentables
Anlisis de Sensibilidad Tipos de Sensibilidad
Sensibilidad Tipo I
Sensibilidad de la Variable de Salida a
la Dispersion (Desviacin Estndar) de
las Variables de Entrada
Sensibilidad Tipo II
Sensibilidad de la Variable de Salida a
la posicin de la Media de las
Anlisis de
Sensibilidad
Dagramas de
Contribucin a la
Varianza
Dagramas de
Correlacin por
Ranking
Dagramas de
Tornado
Dagramas de
Araa
Variable de Salida
Tipos de Sensibilidad
Sensibilidad Tipo I
Sensibilidad de la Variable de Salida a la
Dispersion (Desviacin Estndar) de las
E =
(A+B+C)
D
Variables de
Entrada
Modelo
Sensibilidad Tipo II
Sensibilidad de la Variable de Salida a la
posicin de la Meda de las Variables de
Entrada
Ejemplo No. 9: Estimacin (Pronstico) del Gasto Inicial de un Pozo y Anlisis de
Sensibilidad
Lectura No.9: Simulacin de Montecarlo y Anlisis de Sensibilidad Qo.pdf
Ver Ejemplo No. 9 Simulacin de Montecarlo y Anlisis de Sensibilidad Qo.xls
Con base en la Lectura No. 9 Simulacin de Montecarlo y Anlisis de Sensibilidad - Qo.pdf se
plantea un ejemplo que se divide en 5 etapas:
Parte 1: Estimar el Gasto Inicial de Produccin para un Pozo.
Parte 2: Realizar un Anlisis de Sensibilidad de la Gasto Inicial de Produccin por el Mtodo
de Contribucin a la Varianza.
Parte 3: Realizar un Anlisis de Sensibilidad de la Gasto Inicial de Produccin por el Mtodo
de Correlacin por Ranking.
Parte 4: Realizar un Anlisis de Sensibilidad de la Gasto Inicial de Produccin con un
Diagrama de Tornado.
Parte 5: Realizar un Anlisis de Sensibilidad de la Gasto Inicial de Produccin con un Grfico
de Araa.
Simulacin de Montecarlo y Anlisis de Sensibilidad
Para detectar la posible existencia de correlacin entre dos variables X y Y, se grafican los
valores de las muestras independientemente colectadas de ambas variables, para identificar
si existe algn tipo de tendencia.
Algunos ejemplos de correlaciones entre variables que la experiencia ha permitido detectar
son los siguientes:
Costo de la Energa e Inflacin (Correlacin Positiva).
Precio del Producto y Volumen de Ventas (Correlacin Negativa).
Altura y Peso de los habitantes en Mxico (Correlacin Positiva).
Permeabilidad y Porosidad en un Yacimiento (Correlacin Positiva).
0
500
1000
1500
2000
2500
15 20 25 30 35 40
X
Y
1
1,1
1,2
1,3
1,4
1,5
0 500 1000 1500 2000 2500
X
Y
0
500
1000
1500
2000
2500
0 200 400 600 800 1000 1200 1400
X
Y
Variables Positivamente
Correlacionadas
Variables Negativamente
Correlacionadas
Variables No Correlacionadas o
Independientes
Correlaciones Probabilsticas
Operaciones con Variables Aleatorias Correlaciones Probabilsticas
Factor de Correlacin: La intensidad de la dependencia probabilstica se mide con un indicador
estadstico conocido como Factor de Correlacin, cuyos valores varan entre -1 y 1.
La correlacin dbil entre variables no afecta el resultado del modelo de simulacin.
Las correlaciones moderadas y altas pueden producir un error significativo, si ste no es
considerado explcitamente en el modelo de simulacin.
Ejemplo No. 10: Estimacin del Factor de Correlacin entre Variables
Lectura No 10 - Procedimiento para estimar Factor de Correlacin
entre Variables apoyados Crystal Ball.pdf
Ver Ejemplo No 10 - Correlacin Porosidad - Saturacin
Estimar el factor de correlacin entre
Porosidad y Saturacin de Agua,
utilizando los datos mostrados a
continuacin:
Porosidad -
Fraccin
Sw - Fraccin
0.20 0.14 0.22 0.18
0.13 0.17 0.21 0.21
0.18 0.16 0.23 0.20
0.20 0.18 0.20 0.22
0.18 0.15 0.21 0.18
0.20 0.23 0.22 0.26
0.18 0.17 0.19 0.20
0.15 0.21 0.22 0.24
0.19 0.17 0.22 0.20
0.21 0.16 0.23 0.20
0.14 0.18 0.18 0.21
0.16 0.17 0.19 0.21
0.18 0.21 0.22 0.24
0.15 0.18 0.19 0.22
0.17 0.21 0.20 0.24
0.20 0.17 0.23 0.21
0.19 0.20 0.23 0.23
0.20 0.13 0.24 0.17
0.19 0.20 0.23 0.23
0.22 0.23 0.25 0.26
0.17 0.17 0.21 0.21
0.21 0.21 0.24 0.24
0.17 0.18 0.21 0.21
0.19 0.22 0.22 0.25
0.15 0.18 0.19 0.21
Reglas de Oro de la Simulacin de Montecarlo
1. Apropiada seleccin de las distribuciones que caracterizan las variables de entrada y
los parmetros del modelo.
2. Adecuado truncamiento de las variables de entrada.
3. Verificar la dependencia probabilstica entre las variables y considerar los
correspondientes factores de correlacin.
4. Modelar las variables probabilsticamente una sola vez en todas las etapas del
desarrollo del modelo.
Toda iteracin de un modelo de Anlisis de Riesgo debe corresponder a
un escenario fsicamente posible . David Vose
Da 6
Contenido
La tarea fundamental de los analistas de proyectos u opciones de inversin es contribuir
directa o indirectamente a que los recursos disponibles en la economa sean asignados en la
forma ms racional entre los distintos usos posibles.
Quienes deben decidir entre las diversas opciones de inversin o quienes deban sugerir la
movilizacin de recursos hacia una opcin determinada, asumen una gran responsabilidad,
pues sus recomendaciones pueden afectar en forma significativa los intereses de los
inversionistas (pblicos o privados), al estimular la asignacin de recursos hacia unas
opciones en detrimento de otras.
Este proceso implica definir figuras de mrito o indicadores que permitan calificar las
diferentes opciones de utilizacin de los recursos, en sus usos ms eficientes; en otras
palabras, la tarea de evaluar consiste en cuantificar ciertas magnitudes asociadas a cada
opcin de inversin y convertirlas en cifras financieras con el fin de obtener indicadores tiles
para medir su bondad.
El anlisis financiero de opciones provee las metodologas para determinar las ventajas y
desventajas que se pueden esperar de asignar o no recursos hacia objetivos determinados y
la misma implica la organizacin, estudio y anlisis de los diferentes factores de orden
econmico, tcnico, financiero, administrativo e institucional asociados a cada opcin de
inversin.
Principios de Anlisis Financiero - Aspectos Generales
Principios de Anlisis Financiero Probabilista
El indicador valor Presente Neto (VPN), tambin conocido como NPV (Net Present Value) por sus siglas en
ingls, es un ndice que calcula el valor presente de un determinado flujo de caja proyectado o futuro; y que
busca bsicamente responder la siguiente pregunta, Cunto dinero de hoy representa un flujo futuro de
costos y beneficios? .
Este mtodo, descuenta el flujo de caja a una determinada tasa igual durante todo el perodo bajo anlisis,
conocida como tasa de descuento (i), la cual ha sido definida previamente.
Matemticamente el VPN se expresa con la siguiente ecuacin:
=

(
=
n
1 j
j
j j
n
INICIAL INVERSION
) i 1 (
EGRESO INGRESO
VPN
VPN
+
0
-
Habr ganancias mas all de haber recuperado la inversin inicial
Slo se ha recuperado la inversin
Las ganancias no son suficientes para recuperar el dinero invertido
Indicadores Financieros Valor Presente Neto Modelo Determinista
i=tasa de descuento
Principios de Anlisis Financiero
El Flujo de Caja Proyectado constituye uno de los elementos ms importantes del estudio de
un proyecto; y el mismo consiste en un modelo grfico que se utiliza para representar los
ingresos y desembolsos de dinero que se esperan a lo largo del horizonte econmico
establecido.
Durante la construccin del grfico que representa un flujo de caja, la direccin de las flechas
es importante, puede asumirse que una flecha hacia arriba es positivo (ingreso), y si se
muestra hacia abajo es negativo (egreso).
0 1 2 3 4 5
Ingresos
(US$)
Egresos
(US$)
t
Horizonte Econmico
INGRESOS
EVENTOS NO DESEADOS OPERACIN +
INVERSION
INICIAL
DESINCORPORACION
IMPUESTOS +
Principios de Anlisis Financiero - Flujo de Caja Proyectado
Eventos No Deseados
Operacin
Inversin Inicial
Desincorporacin
Horizonte Econmico
(Tiempo)
Impuestos
Ingresos
0
0 1 2 3 4 5
0 1 2 3 4 5
Ingresos
Egresos
Flujo de Caja Proyectado
=

(
=
n
1 j
j
j j
n
INICIAL INVERSION
) i 1 (
EGRESO INGRESO
VPN
i=tasa de descuento
i=tasa de descuento
Indicadores Financieros Valor Presente Neto Modelo Probabilista
Principios de Anlisis Financiero
MODELO
(INFORMACION)
VARIABLES DE ENTRADA
(INFORMACION)
VARIABLE DE SALIDA
(VARIABLE DE DECISION)

VPN
VPN
E
Factor de Rentabilidad
Pr (VPN<0)
Factor de Riesgo
Ejemplo Integrador I
Integrar vincular resultados de los Ejemplos No. 8 Parte II y No. 9 con la Evaluacin
Econmica mostrada en el Ejemplo Introductorio y generar los siguientes resultados:
1.- Distribucin Probabilstica del VPN.
1.1.- Media del VPN (Factor de Rentabilidad).
1.2.- Probabilidad de que el VPN sea menor que cero (Factor de Riesgo).
2.- Anlisis de Sensibilidad del VPN.
Contenido
Da 6
Aplicacin
Reparacin
Pozos
C
mean
:10 MMUSD
C
plan
:15 MMUSD
Pr(C
real
>C
plan
):70% C
MX
:19 MMUSD
La metodologa FEL - VCD, es posiblemente la primera metodologa de Administracin de
Proyectos que sustenta sus resultados en un Anlisis Cuantitativo de Riesgo y requiere de la
rigurosa caracterizacin probabilstica de las variables que puedan generar riesgos en el proyecto. El
riesgo es consecuencia de la incertidumbre que existe sobre las variables fsicas que gobiernan el
yacimiento, las variables operacionales asociadas a la extraccin y las variables financieras, que
finalmente generan incertidumbre y riesgo en las rentabilidades de los activos, va sus proyectos de
inversin.
El dimensionamiento del riesgo y la incertidumbre en la metodologa FEL - VCD se hace a travs de
un Modelo Probabilista denominado Modelo Integrado del Activo (MIAc) , el cual se convierte en
la herramienta fundamental para lomar decisiones.
Modelo Integrado del Activo - MIAc
Modelo Probabilista de Volmenes Originales y
Reservas.
Modelo Probabilista de Pseudo Pozo o Pozo
Tipo.
Modelo Probabilista de Instalaciones.
Modelo Probabilista del Perfil (Banda
Pronstico) de Produccin basado en el
Movimiento de Equipos.
Modelo Probabilista Econmico.
Para la generacin del Modelo MIAc, se han desarrollado herramientas computacionales basadas en
plantillas preestablecidas para cada uno de los sub modelos del MIAc, desarrolladas con Microsoft
Excel utilizando Visual Basic para Aplicaciones bajo Excel (VBA) y el software Crystal Ball.
La mencionada herramienta permite actividades fundamentales para el anlisis de riesgo e
incertidumbre tales como:
Caracterizacin probabilstica de variables (encontrar la distribucin de probabilidades que mejor
ajusta al comportamiento de una muestra de datos sobre una variable especfica). Es importante hacer
nfasis en que la herramienta, adicional a las tcnicas estadsticas tradicionales, considera tcnicas
estadsticas especiales para el tratamiento de informacin escasa y tcnicas para el manejo de
distintos tipos de informacin:
Tcnicas estadsticas para tratar datos o muestras recolectadas en el mismo activo
EVIDENCIA.
Tcnicas estadsticas para tratar Opinin de Expertos CONOCIMIENTO EMPRICO
Tcnicas estadsticas para tratar Estadstica Internacional CONOCIMIENTO GENRICO O
DATOS ANLOGOS.
Propagacin de Incertidumbre con Simulacin de Montecarlo, Latin Hypercube y Mtodo de los
Momentos .
Medicin del sesgo y la subjetividad en la opinin de expertos y Teorema de Bayes para combinar
informacin de expertos o estadstica internacional, con informacin propia o evidencia.
Sub Modelo Probabilista de Volmenes
Originales y Reservas
Modelo Volumtrico Yacimientos de Aceite
) FR ( x
Boi
) Sw 1 ( h A 7758
prom prom prom

Estimacin Probabilista del VOI y Reservas
Ejemplo No. 11. Estimacin del Volumen Original y Reservas - Yacimientos de Aceite.
Desarrollar un Modelo Probabilista para la estimacin de Volmenes Originales y Reservas
para los datos del Ejemplo 11 de la Carpeta de Ejercicios.
Parte I: Desarrolle el Modelo Probabilista del VOI y Reservas siguiendo la Lectura No. 11.
Parte II: Realice la estimacin del VOI y Reservas para los datos del Ejemplo 11 apoyndose
en la Plantilla para Clculo de Volumen de Hidrocarburos que encontrar en la Carpeta de
Herramientas Computacionales.
Ver Ejemplo No 11 VOI y Reservas Yacimientos Aceite.xls
Lectura No.11: Estimacin VOI y Reservas Yacimientos de Aceite. pdf
Estimacin Probabilista del VOI y Reservas
Sub Modelo Probabilista de Volmenes
Originales y Reservas
Aplicacin en el AIB
Modelo Integrado del Activo - MIA
Aplicacin en el AIB Mapa de Incertidumbre
Sub Modelo de Volmenes Originales y Reservas
Contenido
Das 7 y 8
Aplicacin
Reparacin
Pozos
Definicin de Pseudo Pozo o Pozo Tipo
Con la intencin de poder manejar planes de explotacin complejos y cubrir adems la gran variedad de
condiciones de yacimientos y el gran nmero de pozos requeridos para drenar las reservas, se dise una
metodologa que contempla la integracin de los modelos de pozos segn su configuracin mecnica de
perforacin, terminacin, la condicin de productividad del yacimiento en trminos de baja, media y
alta productividad y las tecnologas. El elemento integrador de todas estas caractersticas es el
denominado Pseudo Pozo o Pozo Tipo.
El sub modelo del Pseudo Pozo o Pozo Tipo, contempla las siguientes estimaciones:
Estimacin Probabilista del Gasto Inicial por Pozo Tipo.
o Gasto inicial de Produccin.
o Anlisis de Sensibilidad de la Cuota de Produccin.
Estimacin Probabilista del xito o Fracaso de la Actividad de Perforacin y Terminacin o de la
Reparacin Mayor.
o rbol de probabilidades (Probabilidad de terminarlo en el objetivo planificado, Probabilidad de
terminarlo en otro objetivo y Probabilidad de abandonar).
Estimacin Probabilista del Perfil o Pronstico de Produccin.
o Distribucin Probabilista de la Vida til del Pozo.
o Distribucin Probabilista de la Velocidad de Declinacin.
o Perfil o Banda Probabilista de Produccin.
Estimacin Probabilista de Tiempos y Costos de la Actividad de Perforacin y Terminacin o de la
Reparacin Mayor.
Para la identificacin y manejo dentro del MIAc de los modelos de pseudo pozos o pozos
tipo, debe generarse una nomenclatura o cdigo fuente.
Codificacin de Pseudo Pozo o Pozo Tipo
Tecnologa
Tecnologa
Codigo Fuente Pozos Tipo
Cdigo Fuente Pozos Tipo
ModeloPozo
ModeloPozo
P.V.F* P.H.F P.V.C P.V.N P.N.F
0 1 2 3 4
Area
rea
Cent Occ Orien
1 2 3
Conv DNC FNC
0 1 2
Pozo Tipo 011B
Condicinde
Productividad
Condicinde
Productividad
B M A
Sab
4
* P.V.F: Pozo Vertical Fracturado Hidrulicamente
Ejemplo Aplicacin al AIB
Pozo Tipo: Vertical Fracturado Hidrulicamente,
rea Central, Disparos No Convencionales y de
Baja Productividad
Sub Modelo Probabilista de Pseudo Pozo o Pozo Tipo
3.86
0.79
0.70
0.67
0.66
0.64
0.58
0.52
0.51
0.43
0.43
0.41
0.37
0.34
0.29
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5
PEF-17 - Espera por lodo 6-1/2"
PEF-08 - Falla deequipo 8-1/2"
PEF-03 - Condiciones Climticas 6-1/2"
PEF-17 - Espera por lodo 8-1/2"
MTR-08 - Cambio dePrograma 7-5/8"
PEF-15 - Problemas en hoyo/Arrastres 8- 1/2"
AZA-03 - Fallo anclaje retenedor ST
ETR-05 - Falla de equipo 7-5/8"
ILP-08 - Espera por transporte
BHD-08 - Obstruccinen fondo
CMT-07 - Cementacin deficiente7-5/8"
ILP-04 - Condiciones Climticas
PEF-21 - Tapn decemento 8-1/2"
RAP-15 - Contingencia por alerta de huracn
RAP-12 - Tubera Atascada
Ti empo (Di as)
Diagrama de Pareto- Tiempo con Riesgo
Estimacin del Gasto Inicial de Produccin
Probabilidad de xito y Fracaso en la Actividad
Pronstico o Perfil de Produccin
Estimacin del Tiempo de la Actividad
Estimacin del Costo de la Actividad
Disponibilidad del Pozo
Evaluacin Econmica
Estimacin Probabilista del Gasto Inicial
de Produccin
Basado en modelos de afluencia, la estimacin del gasto inicial de produccin implica la
caracterizacin probabilstica de las variables petrofsicas y propiedades de los fluidos que
regulan el rgimen de afluencia yacimiento-pozo.
Informacin de Pozos Similares
Pozo 1 Pozo 2 Nuevo Pozo
H
Pwf
Viscosidad
Pe
Dao
Permeabilidad
) S , rw , re , , Bo , P , k , , h ( f ) Q ( F
0
=
50.00 162.50 275.00 387.50 500.00
Gasto Inicial Q
0
(bpd)
Pozos H Pwf Pe Permeabilidad Viscosidad Dao
Pozo 1 25 600 1200 300 220 -2
Pozo 2 30 650 1111 310 220 -1
Pozo 3 43 700 1110 400 220 0.5
Pozo 4 18 640 1125 298 240 -3
Pozo 5 16 620 1350 350 220 2
Pozo 6 22 610 1400 345 230 1
Pozo 7 35 600 1345 356 220 1
Pozo 8 38 650 1234 367 240 2
Pozo n-1 46 650 110 400 220 2
Pozo n 16 700 1400 416 230 -1
Modelos de Afluencia
(
+
|
.
|
\
|

=

Sf
rw
re . 472 . 0
ln . T . Z . g
) Pwf Ps .( h . K . 10 . 703
Qsc
2 2 6
Kg:
0.12 0.15 0.18 0.22 0.25 0.28
Pr:
2,200.00 3,800.00
Percentile (MMPCGD)
0% 0.78
10% 1.32
20% 1.48
30% 1.62
40% 1.75
50% 1.89
60% 2.03
70% 2.19
80% 2.4
90% 2.68
100% 4.82
Percentiles Qo
Pwf (punto de prueba):
1,056.00 2,204.00
T:
538.00 577.33 616.67 656.00
Z:
0.92 0.94 0.96 0.99 1.01 1.03
g:
0.02 0.02 0.02 0.02 0.02 0.02
h
30.00 35.05 40.10 45.15 50.00
Ejemplo: Pozo Vertical Fracturado
re
Estimacin Probabilista del Gasto Inicial de Gas (Qg) Ejemplo Aplicacin al AIB
El modelo se basa en la determinacin del error histrico partiendo de la premisa de que
la forma de estimacin empleada en el pasado se continuar utilizando en el futuro.
36.69 6151 4500 Pozo 14
13.83 10245 9000 Pozo 13
9.17 10207 9350 Pozo 12
5.61 11089 10500 Pozo 11
2.46 6455 6300 Pozo 10
-5.91 8468 9000 Pozo 9
-23.96 5399 7100 Pozo 8
-24.11 4098 5400 Pozo 7
-29.86 6137 8750 Pozo 6
-36.72 2930 4630 Pozo 5
-36.72 4804 7592 Pozo 4
-40.00 2040 3400 Pozo 3
-47.56 3671 7000 Pozo 2
-100.00 0 9000 Pozo 1
%Desv. Qreal Qplan Pozo
36.69 6151 4500 Pozo 14
13.83 10245 9000 Pozo 13
9.17 10207 9350 Pozo 12
5.61 11089 10500 Pozo 11
2.46 6455 6300 Pozo 10
-5.91 8468 9000 Pozo 9
-23.96 5399 7100 Pozo 8
-24.11 4098 5400 Pozo 7
-29.86 6137 8750 Pozo 6
-36.72 2930 4630 Pozo 5
-36.72 4804 7592 Pozo 4
-40.00 2040 3400 Pozo 3
-47.56 3671 7000 Pozo 2
-100.00 0 9000 Pozo 1
%Desv. Qreal Qplan Pozo
.000
.020
.040
.060
.080
-113.79 -75.19 -36.59 2.01 40.61
P
r
o
b
a
b
i
l
i
d
a
d
Distribucin Probabilstica del
% Error Histrico o Desviacin
.000
.020
.040
.060
.080
-113.79 -75.19 -36.59 2.01 40.61
P
r
o
b
a
b
i
l
i
d
a
d
Distribucin Probabilstica del
% Error Histrico o Desviacin
plan
plan real
Q
Q Q
Histrico Error %

=
( )
|
.
|
\
|
+ =
100
1
Historico Error %
* Q ) BPD ( Q
tico determins
o tico probablis oi
Qo(BPD)
.000
.037
.074
.110
.147
50.00 175.00 300.00 425.00 550.00
Modelo 1: Basado en la desviacin histrica de los estimados de Qo.
Estimacin Probabilista del Gasto Inicial de Produccin
Modelo 1: Basado en la desviacin histrica de los estimados de Qo.
Estimacin Probabilista del Gasto Inicial de Produccin
Ver Ejemplo No. 12 Clculo Qo Mtodo I Desviacin
Histrica.xls
El estimado del Ingeniero de Yacimientos, sobre el Gasto Inicial que tendr el Pozo
RRM 2572, a perforarse dentro de dos meses se resume como sigue:
Gasto Inicial Planificado Pozo RRM 2572: 5320 BPD
Tipo de Pozo: Desviado
Tipo de Actividad: Perforacin
Objetivo Planificado: KI
Este estimado fue realizado con el mtodo de la IPR Futura usado consistentemente
para estas estimaciones.
En el archivo Ejemplo No 12 - Clculo Qo Mtodo 1 - Desviacin Histrica encontrar
informacin histrica sobre pozos perforados en el pasado, en los cuales se utiliz el
mismo mtodo de estimacin para el Gasto Inicial. Con base en esta informacin
determine:
Distribucin de Probabilidades para el Gasto Inicial del Pozo RRM 2572.
Probabilidad de terminar el pozo en el objetivo planificado.
Probabilidad de terminar en otro objetivo.
Estimacin Probabilista del
Pronstico o Perfil de Produccin
El perfil de produccin probabilstico en el ciclo de vida til del pozo se obtiene a partir
de un gasto inicial de tipo probabilstico, que declinado a una velocidad equivalente al
factor (D), se convierte en una banda de valores probables de produccin, como el
que se muestra a continuacin:
Estimacin Probabilista del Pronstico o Perfil de Produccin
) e ( ) Qo ( Q
t . D
t

=
Factor de Declinacin (D)
Banda de Produccin Pozo
0
500
1000
1500
2000
2500
3000
0 1 2 3 4 5 6 7 8 9 10
Aos
Q
(
t
)

-

B
P
D
Q10% Q Media Q90%

Perfil de Produccin de Gas
qsc(MMPCD))
0.00
0.20
0.40
0.60
0.80
1.00
1.20
1.40
1.60
1.80
2.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
M
M
P
C
D
P5
P50
P95
Med
ia
Pozo 112
Perfil de Produccin de Gas
qsc(MMPCD))
0.00
0.20
0.40
0.60
0.80
1.00
1.20
1.40
1.60
1.80
2.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
M
M
P
C
DP5
P50
P95
Med
ia
D1: Declinacin 1 D2: Declinacin 2
T1: Periodo de D1 T2: Periodo de D2
Histrico Comportamiento de Produccin Pozos
Modelo Probabilista Pronsticos de Produccin - Pozos
Cotejo de Pronsticos de Produccin con Pozos Nuevos
Un modelo de pronstico debe reproducir el
comportamiento histrico (pasado) de la
produccin, y debe cotejar con los pozos
nuevos para los que se realiz el pronstico.
Estimacin Probabilista del Pronstico de
Produccin (Q(t)) Ejemplo Aplicacin en
el AIB
Contenido
Das 7
Aplicacin
Reparacin
Pozos
Estimacin Probabilista del xito o Fracaso
de la Actividad de Perforacin y Reparacin
Estimacin Probabilista del xito o Fracaso de la Actividad de Perforacin y Reparacin
Gasto Inicial Esperado
p1=probabilidad de
alcanzar el objetivo
p2=probabilidad de
no alcanzar el objetivo
p3=probabilidad de
completar en otro objetivo
p4=probabilidad de
abandono
-100.00 -43.75 12.50 68.75 125.00
Kplan
2
Q
Q Q
Desv %
Kplan Lreal

=
-100.00 -43.75 12.50 68.75 125.00
Kplan
2
Q
Q Q
Desv %
Kplan Lreal

=
-100%
p
1
=84%
Intento=1
p
2
=16%
p
4
=14%
p
2
.p
3
=13.76%
Intento=1
Binomial 1
Binomial 2

Lectura No.12: Pozo Probabilista Perfil de Produccin.pdf
Ver Ejemplo No. 13 Pozo Probabilista Perfil de Produccin.xls
Ejemplo No. 13
Parte I: Con el estimado del Gasto Inicial calculado en el Ejemplo No.9, estimar el Perfil de
Produccin del Pozo en un periodo de 10 aos.
Parte II: Re-estimar el Gasto Inicial y Perfil de Produccin del Pozo en un periodo de 10 aos,
considerando ahora la probabilidad de xito o fracaso de la actividad:
% Desviacin Histrica de Pozos Completados en otro
Objetivo
Mnimo Ms Probable Mximo
-50 -10 9
En los ltimos aos, se han perforado 100 pozos en el campo R2M 142003, y es por ello que se dispone de la siguiente estadstica:
.- De 100 pozos perforados, 85 pozos fueron completados en el objetivo geolgico planificado.
.- 15 pozos fueron completados en otro objetivo geolgico.
.- De los 15 pozos completados en otro objetivo, 5 pozos fueron abandonados, y el resto de ellos fueron productores.
Ejemplo Integrador II
Integrar vincular resultados de los Ejemplos No. 13 Parte I y Parte II con la Evaluacin
Econmica mostrada en el Ejemplo Introductorio.
Adicionalmente, considere el siguiente historial de perforacin en la evaluacin econmica:
Generar los siguientes resultados:
1.- Distribucin Probabilstica del VPN .
1.3.- Anlisis de Sensibilidad del VPN.
2.- Seleccionar la mejor opcin segn Factor de Rentabilidad y Factor de Riesgo (VPN).
Ver Ejemplo Integrador II VPN Probabilista.xls
Historia Perforacin
12 exitos
4 fracasos
Mnimo 0.516 Calculo de
Intervalo con
RARE
Mas Probable 0.75
Mximo 0.91
Renta Equipo US$/hr 17000
Contenido
Da 9
Aplicacin
Reparacin
Pozos
Estimacin Probabilista de Tiempos
de Perforacin y Reparacin de Pozos
El plan de perforacin o reparacin de un pozo difiere de la ejecucin real debido a eventos
indeseables que inducen costos adicionales reflejados en das improductivos que hacen
perder la continuidad del proceso.
Pega
Diferencial
Inestabilidad de
hoyo
Zona
desconsolidada
Formacin
reactiva
Vibracin de la
sarta
Acumulacin de
ripios
Manejar los riesgos de perforacin o reparacin significa no dejar
que los problemas crezcan, reducir las sorpresas.
Estimacin Probabilista de Tiempos de Perforacin y Reparacin de Pozos
Este modelo se sustenta en un anlisis estadstico del comportamiento histrico de los tiempos y las
desviaciones por actividad del plan de perforacin y terminacin, para lo cual debe crearse una base
de datos a partir de los registros y bitcoras de las actividades de perforacin, terminacin y
reparacin.
La salida del modelo es una distribucin probabilstica de todos los posibles valores del tiempo que
podra tener el trabajo planificado. Este resultado es la base fundamental del modelo de estimacin de
costos.
63.52 102.21 140.89 179.57 218.25
Tmedia:140 das
TObjetivo:150 das
Pr(treal<tobj):44%
j
R
t
m
1 j
j
p
Li
t
i
ACT
T
=
+ =

=
=
n
1 i
i
ACT
T
T
T
T
ACTi
: Tiempo de la actividad i
m: nmero de riesgos asociados a la actividad i
tLi: Tiempo limpio (sin riesgo) de la actividad i
pj: Probabilidad de ocurrencia del riesgo Rj
t
Rj
: Tiempo asociado al riesgo j
n: nmero de actividades de un plan de perforacin/reparacin
T
T
: Tiempo total de perforacin/reparacin
Modelo Base
42
337
31
260
Base de datos (Histrica). Codificacin de
Actividades y Riesgos
ABT Abandono Temporal
ACE Acondicionar Equipo
ACP Acondicionar pozo
APB Alinear Pozo a Batera
CCL Corrida de Complemento de Liner
CMC Cementar Complemento de Liner
CMT Cementar Tubera de Revestimiento
CON Cortar Ncleo
DES Deslizar
DIS Disparar Intervalo
EST Estimulacin
ETR Escarear tubera y rimar boca de liner
EVA Evaluacin de Formacin
IEC Instalar equipo de Control
IER Instalacin de sub estructura recuperadora
IES Instalacin de Estructura
ILP Inducir y Limpiar pozo
MAP Meter Aparejo de Produccin
MEP Mantenimiento del Equipo Programado
MTR Meter Tubera de Revestimiento / Liner
PBL Prueba a boca de Liner
PEF Perforar
PTR Prueba de tubera de Revestimiento
RBA Retirar BOP e Instalar Medio rbol
RCC Reconocer cima de cemento
REG Registros
RGI Registro giroscpico
RTR Registro en Tubera de Revestimiento
TIN Toma de Informacin
Catlogo de Perforacin
PEF-01 Espera por transporte
PEF-02 Espera por compaa de servicio
PEF-03 Condiciones Climticas
PEF-04 Espera por Materiales
PEF-05 Falla de Barrena
PEF-06 Falla MWD/LWD/Motor de Fondo
PEF-07 Falla tubera
PEF-08 Falla de equipo
PEF-09 Falla de compaa de servicio
PEF-10 Reparando Boca de Liner
PEF-11 Requerimiento adicional/Cambio de programa
PEF-12 Atascamiento de tubera
PEF-13 Obstruccin en fondo
PEF-14 Taponamiento de tubera
PEF-15 Pozo Fluyendo
PEF-16 Espera por personal
PEF-17 Problemas en hoyo/Arrastres
PEF-18 Perdida de Circulacin
PEF-19 Presencia de H2S
PEF-20 Prestando apoyo a otra plataforma
.
.
.
.
.
.
PEF-34 Espera por tubera de perforacin
Catlogo Perforacin
Catlogo Reparacin
XXX - Actividad
XXX-01 - Riesgos
XXX Tiempo Limpio o productivo de la actividad
XXX-01 - Riesgo 01 de la Actividad XXX
ACP Acondicionar Pozo
AZA Aislar Zona Abierta
COP Control de Pozo
DAB Desmantelar Arbol e Instalar BOPS
DIS Disparar
EST Estimular
ILP Inducir y Limpiar Pozo
MEP Mantenimiento Programado de Equipo
RAP Recuperar aparejo de produccin
RDV Reemplazar vlvula de BN
RRE Recuperar restos de empacador
TIN Toma de Informacin - Terminacin
TOI Toma de Informacin
Pozo1 Pozo2 Pozo 3 Pozo 4 Pozo n
RAP Recuperar Aparejo de Produccin 46 105 78 50 30
RAP-01 Espera por Transporte 10 12 - 8 13
RAP-03 Pesca no programada 8 21 10 8
RAP-05 Falla de Equipo 12 - 2 - 6
RAP-12 Tubera Atascada 10 13 21 - -
T
Productive
RAP
T
risk
RAP-01
T
risk
RAP-03
T
risk
RAP-05
T
risk
RAP-12
+
p1 x
p2 x
p3 x
p4 x
Base de datos (Histrica). Muestra Representativa
Programa de Reparacin
63.52 102.21 140.89 179.57 218.25
T - RAP
j i
R
m
1 j
j Li ACT
t p t T + =

=
riesgos compl efectivo
t t t
TOTAL
T + + =
ROP
a
m
efectivo
t =
n perforacio _ efectivo _ tiempo
perforados _ metros
ROP =
m
a
= metros a perforar planificados
t
compl
= incluye las actividades complementarias de la perforacin, tales como: armar sarta, viajes cortos,
circulacin, bombeo de baches, entre otros.
t
riesgo
= incluye las desviaciones que se han presentado y se pueden presentar en el transcurso de la
perforacin.
.000
.021
.041
.062
.082
1.87 3.33 4.80 6.26 7.73
ROP (mts/hr)
Tratamiento de Actividad Perforar
En el anlisis de la actividad perforar se decidi normalizar los metros perforados dada la
amplitud del rango de metros profundizados en el histrico de pozos :
+

Conocimiento
Genrico (Bases
de Datos de
Experiencias
Internacionales)
+
Bases de Datos de
Perforacin de
PEMEX
Base de datos de tiempos
y desviaciones a partir de
los registros y bitcoras
de las actividades de
perforacin y reparacin
mayor
Teorema
de Bayes
0,15 0,15 0,15 0,15 0,15 0,15 0,15 0,15 0,15 0,15
A
1
0,76 0,78 0,80 0,82 0,85 0,76 0,78 0,80 0,82 0,85
A
2
18,50 19,25 20,00 20,75 21,50 18,50 19,25 20,00 20,75 21,50
A
9
0,92 0,93 0,95 0,96 0,98 0,92 0,93 0,95 0,96 0,98
A
n
.
Opinin de
Expertos
COP Control de Pozo
DIS Disparar
EST Estimular
COP Control de Pozo
DIS Disparar
EST Estimular
Programa de Perforacin
j i
R
m
1 j
j Li ACT
t p t T + =

=
=
=
n
1 i
ACT T
i
T T
Pr tperf > tobjetivo= 44 %
tmedia = 140.31
tobjetivo = 150
t
PERFORACION
64.86%
16.36%
8.40%
4.67%
4.62%
0.88%
PEF
ILP
REG
EST
MTR
RGI
0% 10% 20% 30% 40% 50% 60% 70%
27.6
5.2
4.4
4.0
3.6
3.6
3.2
3.1
2.7
2.6
1.8
1.5
1.1
0.5
0.3
27.5
3.6
6.9
0.1
0.0
0.0
2.0
2.0
0.0
0.0
0.0
0.0
0.0
0.4
0.0
0.00 5.00 10.00 15.00 20.00 25.00 30.00
PEF
REG
ILP
IEC
RCC
CMT
EST
MTR
ACE
TIN
MAP
APB
RBA
RGI
DES

Tiempo Productivo (Das)
Tiempo Improductivo (Das)
Tiempo Total (das): 107
Evaluacin Post-Morten por pozo.
Seguimiento Operacional
Identificacin de los tiempos productivos e
improductivos por pozo
Establecimiento del Lmite Tcnico
A
c
t
i
v
i
d
a
d
Tiempo (das)
RESULTADOS Estimacin Probabilista de Tiempos de Perforacin y Reparacin de Pozos
Distribucin de Tiempos Improductivos por
Actividad
Distribucin de Desviaciones
64.86%
16.36%
8.40%
4.67%
4.62%
0.88%
0.20%
PEF
ILP
REG
EST
MTR
RGI
IEC
0% 10% 20% 30% 40% 50% 60% 70%
PEF-23 , 357
PEF-03 , 169
PEF-08 , 91
PEF-17 , 38
PEF-12 , 6
ILP-04 , 70
ILP-08 , 63
ILP-07 , 34
REG-07 , 65
REG-16 , 21
EST-02 , 48
MTR-14 , 47
RGI-08 , 9
IEC-03
IEC-01 , 1

PEF-23 - Espera por lodo, PEF-03 - Condiciones Climticas, PEF-08 - Falla de equipo, PEF-17 - Problemas en hoyo/Arrastres, PEF-12 -
Atascamiento de tubera, ILP-04 - Condiciones Climticas, ILP-08 - Espera por transporte, ILP-07 - Espera por Produccin, REG-07 - Problemas
en hoyo/Pozo, REG-16 - Pesca no programada, EST-02 - Condiciones Climaticas, MTR-14 - Pesca no programada, RGI-08 - Espera por
compaa de servicio, IEC-03 - Espera por Produccin, IEC-01 - Falla de equipo
RESULTADOS Estimacin Probabilista de Tiempos de Perforacin y Reparacin de Pozos
Cul es el Valor?
0%
4%
8%
12%
16%
20%
24%
28%
32%
36%
40%
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
P
r
o
b
a
b
i
l
i
d
a
d
61 hrs
124 hrs
184 hrs
Tomado de Altinex
Antes de la mitigacin
Sin
Riesgo
Despus de la
mitigacin
Con la evaluacin de las medidas potenciales de mitigacin, el QRA identifica una posible reduccin en el
tiempo total requerido para llevar acabo la operacin.
Ejemplo No. 14 - Estimacin Probabilista del Tiempo de la Actividad
Dentro de la cartera de intervenciones a pozos 2008, el Activo R2M tiene programada la Reparacin Mayor
(Profundizacin) del pozo R2M-102 , es por ello que requiere realizar la estimacin Probabilista del tiempo de la
actividad, con el fin de establecer su duracin y riesgos, y proponer luego los planes de mitigacin de los riesgos
identificados.
A continuacin se presenta el plan de actividades:
Codigo Actividad Dimetro
Metros
a Perforar
1 DES DES Deslizar
2 DEB DEB - Desmantelar bajantes
3 COP COP - Control de Pozo
4 DAB DAB - Desmantelar rbol e Instalar BOPS
5 ICR ICR - Instalar cabezal rotatorio
6 RAP RAP - Recuperar aparejo de produccin
7 PEE PEE - Pescar Empacador
8 MOE MOE - Moler empacador
9 RRE RRE - Recuperar restos del empacador
10 PEF6-1/2" PEF Perforar 6-1/2" 200
11 ETR7-5/8" ETR - Escarear tubera y Rimar boca de liner 7-5/8"
12 RTR RTR - Registros en tubera de revestimiento 7-5/8"
13 RGI RGI - Registro giroscpico
14 MAP MAP - Meter aparejo de produccin
15 RBA RBA - Retirar BOP's e Instalar Arbol de Produccin
16 ILP ILP - Inducir y Limpiar pozo
17 APB APB - Alinear Pozo a Batera
18 EST EST Estimulacin
19 TIN TIN - Toma de Informacin - Terminacin
Determinar:
1.- Distribucin Probabilstica del Tiempo Productivo.
2.- Distribucin Probabilstica del Tiempo Total con Riesgo
Prolongar la vida productiva del pozo mediante
la profundizacin en la formacin Cretcico
Inferior
Objetivo General

Sub Modelo Probabilista de Tiempos de Perforacin y Reparacin de Pozos
Ver Ejemplo No. 14 Pronstico Tiempo Reparacin.xls
Estimacin Probabilista de Costos de
Perforacin y Reparacin de Pozos
Este modelo parte del anlisis estadstico del comportamiento histrico del costo; y genera una
distribucin probabilstica de todos los posibles valores de costo que podra tener el trabajo de perforacin
y terminacin. Se alimenta del modelo de tiempos.
La salida de este modelo se incorpora al modelo econmico en forma de inversin inicial.
Estimacin Probabilista de Costos de Perforacin y Reparacin de Pozos
C
Total
: Costo Total de la Perforacin
C
clasej
: Costo Total del Costo Clase j
C_clase
(T)i
: Costo Clase i; normalizado o por unidad de
tiempo
T
Total
: Tiempo Total Planeado
CF_clase
i
: Costos no dependientes del tiempo
n: Nmero Total de Pozos
i: Costo Clase por Pozo
Modelo Base
i
i
T TOTAL clase
clase CF clase C T C
i
_ ) _ (
) (
+ =
=
=
n
1 j
clase Total
j
C C
C
media
: 10 MMUSD
C
plan
: 15 MMUSD
Pr(C
real
>C
plan
): 70% C
max
: 19 MMUSD
Evaluacin Econmica y Jerarquizacin
de Proyectos de Perforacin y
Reparacin de Pozos
0 1 2 3 4 5
t= n meses
Qo x Precio de Venta
Capex
Riesgo (R
i
)
(egresos potenciales por fallas)
Costos de Produccin
2. Estimacin Probabilista del Pronstico o Perfil Produccin (Q
1,
, Q
2,
, Q
3,
, ... Q
20
)
3. Estimacin Probabilista del Costo de Perforacin
4. Costos de Produccin y Mantenimiento
5. Estimacin Probabilista del Riesgo (Egresos Potenciales por Fallas)
1. Estimacin Probabilista Gasto Inicial de Produccin (Qo) Ingresos
Inversin Inicial
Egresos
Horizonte
econmico
Ingresos
Egresos
Q
i
x Precio de Venta
VPN
VPN
E
Pr (VPN<0)
Factor de Riesgo
Evaluacin Econmica y Jerarquizacin de Proyectos de Perforacin y Reparacin de
Pozos
VPN
VPN
E
Pr (VPN<0)
Factor de Riesgo
VPN
0.75
2.100
4.93
923335.28
87%
5.49
22.70
0.9
2.345
7.46
1031389.83
87%
5.49
22.70
80000000.00 90000000.00 100000000.00 110000000.00 120000000.00 130000000.00
Costo Variable (Dls/barril de petroleo)
Precio de Venta del Gas (Dls/mpcd)
Costo Perforacin
% Error Gasto.
Tiempo de Aparicin Frente de Agua
Disponibilidad del Pozo
MOV (horas)
MOV-01 (horas)
MOV-06 (horas)
Probabilidad de alcanzar el objetivo
+85% -100%
92 85
98 92
Tiempo Productivo (Das)
5.55
6.48
20.64
26.09
16.89
17.38
17.13
17.51
16.03
32.70
17.76
19.01
35.67
65.11
29.25
24.74
27.01
46.52
56.78
112.60
35.92
38.77
54.22
62.45
56.25
64.74
66.81
68.23
67.46
85.54
79.43
90.57
110.07
150.78
143.85
144.14
169.04
208.03
261.60
475.70
50.0 55.0 60.0 65.0 70.0 75.0
M989
M291
M389
M670
M348
M380
M340
M249
M537
M787
M622
M239
M945
M696
COP (horas)
M816
M190
M154
M748
TOI (horas)
Upside
TR
Vlvula BN
Lnea de Flujo
Libranza
Downside
Upside
71% 78% 85% 92% 99%
Downside
Upside
Empaque
Portafolio de Acciones de
Mitigacin del Riesgo
Anlisis de Sensibilidad del VPN
Pozos
Una vez que una cartera de proyectos ha sido evaluada, tendremos una serie de distribuciones de la
variable VPN para cada proyecto. Para lograr jerarquizacin se estudiar la conocida Matriz de
Jerarquizacin de Proyectos
Factor de Riesgo: probabilidad de que el VPN sea
menor que 0 (rea azul) y coordenada x de cada
proyecto.
Factor de Rentabilidad: media, esperanza
matemtica o valor esperado de la distribucin del
VPN (VPNE), y coordenada y de cada proyecto.
Matriz de Jerarquizacin de Opciones: Rentabilidad - Riesgo
Pozos
Integrar Vincular resultados de los Ejemplos No. 13 Parte II y No. 14 con la Evaluacin
Econmica mostrada en el Ejemplo Introductorio.
Considerar los siguientes historiales de perforacin para tres empresas distintas
Generar los siguientes resultados:
1.- Distribucin Probabilstica del VPN para cada empresa.
1.3.- Anlisis de Sensibilidad del VPN.
2.- Jerarquizacin y seleccin de la mejor opcin.
Ejemplo Integrador III
Ver Ejemplo Integrador III Jerarquizacin Empresas Perf.xls
Empresa Perforacin 1 Empresa Perforacin 2 Empresa Perforacin 3
Historia Historia Historia
90 exitos 15 exitos 12 exitos
10 fracasos 1 fracasos 4 fracasos
Renta Equipo
(US$/hr)
10000
Renta Equipo
(US$/hr)
11000
Renta Equipo
(US$/hr)
9000
Da 10
o Introduccin al Anlisis RAMP
Caso de Estudio Anlisis RAM Plataforma de Produccin
o Basado en los Sub Modelos de Pozos Tipo y Movimiento de Equipos
Caso de Estudio Simulacin SSOIP
o Basado en Simulacin Numrica de Yacimientos (Modelo Dinmico)
Incertidumbre del Pronstico Generado por Simulacin
Caso de Estudio
Modelo Probabilista de Evaluacin Econmica y Jerarquizacin de Escenarios de
Explotacin
El objetivo fundamental de ste modelo es vincular la confiabilidad de la exploracin;
perforacin y administracin de los yacimientos petrolferos; con la confiabilidad de las
instalaciones de superficie construidas para manejar el producto que proviene del subsuelo.
El Modelo de Instalaciones se fundamenta en una simulacin conocida como Simulacin
RAMP (Reliability, Availability, Maintainability and Process) la cual permite pronosticar la
produccin perdida y la indisponibilidad de un proceso de produccin, de acuerdo a su
configuracin, a la confiabilidad de sus componentes, a las polticas de mantenimiento, al
recurso disponible y a la filosofa operacional.
Perfil de Produccin Probabilsta
Anlisis RAM Modelo
General
Simulacin de Procesos (Balance de
Fluidos, Presiones , Temperaturas, etc)
RAPTOR 7, RAMP, MAROS etc
Modelaje DBD
(Diagrama de Bloques de Disponibilidad)
Conocimiento Previo
Informacin
Genrica de Fallas y
Reparaciones
(Oreda, Parloc, Well
Master, IEEE)
+
Evidencia (Datos
propios de Fallas y
Reparaciones)
Tasa de Fallas y
Reparaciones
Actualizadas
ANLISIS DE CONFIABILIDAD, DISPONIBILIDAD Y MANTENIBILIDAD
(RAM) DE LA PLATAFORMA AKAL C4 DEL ACTIVO INTEGRAL
CANTARELL
VER: Caso de Estudio No 1
CASO ESTUDIO
Anlisis RAM
Sub Modelo Probabilista del Perfil de
Produccin de un Escenario de Explotacin
0,00
3,50
7,00
10,50
14,00
90%
50%
0%
BANDA DE PRODUCCION DEL YACIMIENTO
Ao 1 Ao 5 Ao 10 Ao 15 Ao 20 Ao 25
3 4 1
3 4 3
3 2 2 2
3
Ao 1 Ao 5 Ao 10 Ao 15 Ao 20 Ao 25
3 4 1
3 4 3
3 2 2 2
3
Pozo Tipo 1
Pozo Tipo 2
Pozo Tipo 3
Pozo Tipo 4
Perforacin
Reparacin
Movimiento de Equipos
Perfil de Produccinde Gas
qsc(MMPCD))
0.00
0.05
0.10
0.15
0.20
0.25
0.30
0.35
0.40
0.45
1 2 3 4 5 6 7 8
M
M
PCD
P5
P50
P95
Medi a
Pozo Tipo 1
Perfil de Produccinde Gas
qsc(MMPCD))
0.00
0.05
0.10
0.15
0.20
0.25
0.30
0.35
1 2 3 4 5 6 7 8
M
M
PCD
P5
P50
P95
Medi a
Pozo Tipo 2
Perfil de Produccinde Aceite (Qo(bpd))
0.00
5.00
10.00
15.00
20.00
25.00
30.00
35.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
bpdP5
P50
P95
Medi a
Pozo Tipo 3 Perfil de Produccinde Gas (Qg(pcd)
0.00
1,000.00
2,000.00
3,000.00
4,000.00
5,000.00
6,000.00
7,000.00
8,000.00
9,000.00
10,000.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
pcd
P5
P50
P95
Medi a
Pozo Tipo 4
Sub Modelo Probabilista del Perfil de Produccin basado en los Sub Modelos de Pozos
Tipo y Movimiento de Equipos
El modelo se basa en asignar a cada localizacin contemplada en la Actividad Calendarizada
o Movimiento de Equipos un comportamiento tipificado en alguno de los Pseudo Pozos o
Pozos Tipo previamente modelados y cotejados.
Ejemplo No. 15 - Pronstico de Produccin Basado en Pozos Tipo y Movimiento de Equipos
Trabajando en Equipos de 3 personas, generar el Pronstico de Produccin del Activo Integral, con los
Pozos Tipo mostrados en las tablas anexas y la actividad calendarizada propuesta.
Pozos Tipo
Actividad Calendarizada o Movimiento de Equipos
Mnimo Mximo Media Desv.Std Mnimo Ms Probable Mximo Media Desv.Std Mnimo Ms Probable Mximo Media Desv.Std
Pozo Tipo 01 79.254 210.433 128.164 25.507 0.95 0.99 1 0.985 0.008 0.176 0.186 0.196 0.186 0.003
Pozo Tipo 02 108.607 469.23 208.782 63.923 0.95 0.99 1 0.985 0.008 0.176 0.186 0.196 0.186 0.003
Pozo Tipo 03 94.291 617.224 246.832 86.744 0.95 0.99 1 0.985 0.008 0.176 0.186 0.196 0.186 0.003
Pozo Tipo 04 143.106 653.171 271.872 92.423 0.95 0.99 1 0.985 0.008 0.176 0.186 0.196 0.186 0.003
D1 (Declinacin 1 - Fraccin Anual) Nombre Pozo
Tipo - Productividad
Qo - Gasto Inicial (BPPD) Probabilidad de xito de la Actividad
Mnimo Ms Probable Mximo Media Desv.Std Mnimo Ms Probable Mximo Media Desv.Std
Pozo Tipo 01 15.000 18.000 20.000 17.833 0.833 0.752 1.566 2.940 1.659 0.365
Pozo Tipo 02 15.000 18.000 20.000 17.833 0.833 0.752 1.566 2.940 1.659 0.365
Pozo Tipo 03 15.000 18.000 20.000 17.833 0.833 0.752 1.566 2.940 1.659 0.365
Pozo Tipo 04 15.000 18.000 20.000 17.833 0.833 0.752 1.566 2.940 1.659 0.365
Nombre Pozo
Tipo - Productividad
T1 (Aos) Costo (Inversin) Perforacin (MMU$$)
Ao 1 2 3 4 5 6 7 8 9 10
No. Pozos Tipo 1 2.000 2.000 2.000
No. Pozos Tipo 2 2.000 2.000
No. Pozos Tipo 3 2.000 2.000
No. Pozos Tipo 4 2.000 2.000
Ver Ejemplo No 15 - Pronstico Escenario de Explotacin
SIMULADOR DE SECUENCIA OPTIMA DE INTERVENCIONES A POZOS -
(SSOIP 2.0)
CASO ESTUDIO
Sub Modelo Probabilista del Perfil de Produccin basado en los Sub Modelos de Pozos
Tipo y Movimiento de Equipos
Modelo de Simulacin de Yacimiento
Capas abiertas a flujo
Pozo 1
Capas abiertas a flujo
Pozo 1
0,00
3,50
7,00
10,50
14,00
90%
50%
0%
0,00
3,50
7,00
10,50
14,00
90%
50%
0%
BANDA DE PRODUCCION DEL YACIMIENTO BANDA DE PRODUCCION DEL YACIMIENTO
Es mejor un modelo con incertidumbre que una ilusin de la realidad
Journel
?
h
h
Pws
h
k
Ps(t)
Pwf(t)
?
h
h
Pws
h
k
Ps(t)
Pwf(t)
Sub Modelo Probabilista del Perfil de Produccin basado en Simulacin Numrica de
Yacimientos
ANLISIS DE LA INCERTIDUMBRE DEL PRONSTICO DE PRODUCCIN GENERADO
POR SIMULACIN NUMRICA (MODELO DINMICO) DE YACIMIENTOS, EN EL
MARCO DE PROYECTOS DE EXPLOTACIN UN ENFOQUE PRCTICO .
CASO ESTUDIO
Sub Modelo Probabilista del Perfil de Produccin basado en Simulacin Numrica de
Yacimientos
Modelo Probabilista de Evaluacin Econmica
y Jerarquizacin de Escenarios de
Explotacin

SIPEP
XXX
GASTOS
INVERSIONES
Pr(VPN<0)=24.25%
FACTOR DE RIESGO
Pr(VPN<0)=24.25%
FACTOR DE RIESGO
.000
.024
.047
.071
.094
-3,000.00 -500.00 2,000.00 4,500.00 7,000.00
VPN
.000
.024
.047
.071
.094
-3,000.00 -500.00 2,000.00 4,500.00 7,000.00
.000
.024
.047
.071
.094
-3,000.00 -500.00 2,000.00 4,500.00 7,000.00
VPN
VPN
E
: FACTOR RENTABILIDAD VPN
E
: FACTOR RENTABILIDAD
I
N
G
R
E
S
O
S
I
N
G
R
E
S
O
S

0,00
3,50
7,00
10,50
14,00
90%
50%
0%
0,00
3,50
7,00
10,50
14,00
90%
50%
0%
BANDA DE PRODUCCION DEL YACIMIENTO BANDA DE PRODUCCION DEL YACIMIENTO
Perforacin
Reparacin
Movimiento de Equipos
Pozo Ti po 1 Pozo Ti po 2
Pozo Ti po 3
Pozo Ti po 4
Modelo Probabilista de Evaluacin Econmica de Escenarios de Explotacin
Modelo Probabilista de Evaluacin Econmica y Jerarquizacin de Escenarios de Explotacin
La hoja de Evaluacin Econmica utilizada por la organizacin de
Planeacin de cada uno de los Activos ser el elemento final integrador
de los diversos perfiles Probabilistas generados en los sub-modelos
previamente descritos.
Plantillas Excel del MIAc: Valores de Entrada
Distribuidos.
1
Modelo de Evaluacin Econmica manejado por
Planeacin del Activo Integral.
2
Plantilla Excel Base: Valores de Salida Distribuidos.
3
Ejemplo Integrador IV Evaluacin Econmica Probabilista de Escenarios
de Explotacin
Integrar los resultados del Ejemplo No. 15 con la Hoja de Evaluacin
Econmica del Activo Integral
Modelo de Jerarquizacin de Escenarios de Explotacin
Matriz Rentabilidad Riesgo

Esc 1
Esc 2
Esc 3
Esc 4
Esc 5
Esc 6
Esc 7
Esc 8
Esc 9
Esc 11
Esc 13
Esc 14
Esc 15
Esc 16
Esc 10
Esc 12
30,000.00
32,000.00
34,000.00
36,000.00
38,000.00
40,000.00
42,000.00
44,000.00
46,000.00
48,000.00
0.00 2,000.00 4,000.00 6,000.00 8,000.00 10,000.00 12,000.00 14,000.00 16,000.00 18,000.00 20,000.00
Factor de Riesgo (Desv Estd VPN )
F
a
c
t
o
r

R
e
n
t
a
b
i
l
i
d
a
d

(
M
e
d
i
a

V
P
N
)
Matriz Boston con Riesgo

Esc 1
Esc 2
Esc 3
Esc 4
Esc 5
Esc 6 Esc 7
Esc 8
Esc 9
Esc 10
Esc 11
Esc 12
Esc 13
Esc 14
Esc 16
0.3
0.32
0.34
0.36
0.38
0.4
0.42
0.44
0.46
0.48
0.5
35,000.00 40,000.00 45,000.00
Valor Esperado del VPN (MMPesos)
E
f
i
c
i
e
n
c
i
a

d
e

l
a

I
n
v
e
r
s
i
n

(
V
P
N
/
V
P
I
)
Esc 1 Esc 2 Esc 3 Esc 4 Esc 5 Esc 6 Esc 7 Esc 8 Esc 9 Esc 10 Esc 11 Esc 12 Esc 13 Esc 14 Esc 15 Esc 16
Modelo de Jerarquizacin de Escenarios de Explotacin
...En una poca de cambios permanentes,
el futuro pertenece a los que siguen
aprendiendo...
...los que ya aprendieron,
se encuentran equipados para vivir
en un mundo que ya no existe.
Eric Hoffer

Presentación - Análisis R&I en Proyectos FEL - VCD

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Presentación - Análisis R&I en Proyectos FEL - VCD

Diunggah oleh

Hak Cipta:

Format Tersedia

Porque una de las

Distribuciones de Probabilidad PARAMETRICAS - Formatos

Anda mungkin juga menyukai

Presentación - Análisis R&amp;I en Proyectos FEL - VCD

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Presentación - Análisis R&amp;I en Proyectos FEL - VCD

Diunggah oleh

Hak Cipta:

Format Tersedia

Porque una de las

Distribuciones de Probabilidad PARAMETRICAS - Formatos

Anda mungkin juga menyukai

Presentación - Análisis R&I en Proyectos FEL - VCD

Presentación - Análisis R&I en Proyectos FEL - VCD