Análisis de Riesgo e Incertidumbre para Rehabiitacion de Pozos

REPUBLICA BOLIVARIANA DE VENEZUELA
UNIVERSIDAD DEL ZULIA

FACULTAD DE INGENIERÍA
DIVISIÓN DE ESTUDIOS PARA GRADUADOS
PROGRAMA DE POSGRADO EN ING. DE PETRÓLEO
ANÁLISIS DE RIESGO E INCERTIDUMBRE PARA

PROYECTOS DE REHABILITACIÓN DE POZOS EN EL CAMPO
ORITUPANO-LEONA, BASADOS EN EL METODO DE MONTE
CARLO.
Autor: Ing. Ochoa, Alberto

Tutor: Ing. Msc. Perozo, Americo
Maracaibo, Septiembre de 2003

Análisis de riesgo e incertidumbre para proyectos de rehabilitación de pozos en el
campo Oritupano-Leona, basados en el método de Monte Carlo.
DEDICATORIA
A todas las personas que me apoyaron

durante el desarrollo de este Post-Grado y
especialmente durante la realización de
este proyecto y me ayudaron a alcanzar
ésta meta, les estaré eternamente
agradecido.
Alberto.
AGRADECIMIENTOS
A Dios, infinitas gracias por dirigir mi vida, guiarme en el camino y cargarme

cuando los problemas y las dificultades han asechado en contra de mis
metas.
A María Karla, quién representó el apoyo fundamental en mi trabajo y me

hizo sentir en tiempos duros; paz, armonía y felicidad.
A el Ing. Americo Perozo, Ing. Sara Sánchez, mi respeto y eterno

agradecimiento por ser mis tutores académicos en el desarrollo de ésta
investigación que consolidó mi carrera. Por ustedes siento gran admiración.
A Petrobras Energía Venezuela., gracias por darme la oportunidad de

experimentar mis conocimientos.
A La Universidad del Zulia, mis profesores y todos aquellos que hacen vida
en esa comunidad de la cual me siento orgulloso de pertenecer. Mil gracias
por mi formación.
Alberto.
INDICE GENERAL
p.p
Resumen…………………………………………….………………………... iv
Abstract………………………………………………………………………... v
Lista de Tablas……………………….………………………………………. vi
Lista de Anexos…………………….………………………………………… vii
Lista de Figuras…………………….………………………………………… viii
Introducción……………………………..……………………………………. 1
CAPITULO I
1.Objetivos de la Investigación……………...……………………………… 3
2.Hipótesis……….………………………………..………………………….. 4
3.Alcances……………………………………………..……………………... 4
4.Antecedentes……………………………………………..………………... 5
CAPITULO II MARCO TEORICO

1.Probabilidad…...……………………………………………………………. 9
1.1.Tipos de Probabilidad..………………………………………………… 9
2.Modelos Probabilísticos………..………………………………………….. 10
2.1.Características de Modelos Probabilísticos………………………… 10
2.2.Tipos de Distribución de Probabilidades….………………………… 11
2.2.1.Distribuciones No Paramétricas o Histogramas de Frecuencia 11
2.2.2.Distribuciones Paramétricas……………………………..……..... 12
3.Conceptos Estadísticos…………….……………………………………... 15
4.Método de Monte Carlo…………………………………………………… 22
i
5.Riesgo………………….…………….……………………………………... 24
5.1.Análisis de Riesgo……………………………………………………. 25
6.Incertidumbre………………………………………………………………. 27
6.1.Clases de Incertidumbre...……….…………………………………... 27
6.2.Opciones para decidir en presencia de Incertidumbre………...… 28
7. Conceptos de Yacimiento……………………………………….… 29
7. 1.Ley de Darcy……………………………..……………...……………. 30
8.Rehabilitación de Pozos………...…….…….…………………………….. 31
8.1.Tipos de trabajos de Rehabilitación de Pozos.……….…………… 33
8.2.Evaluación de la reparación.…..…………………………………….. 33
8.3.Acciones para analizar pozos de reparación.. …….………………. 34
9.Análisis Económico…………….…………………..……………………… 35
10.Campo Oritupano A …………………….……………………………...... 37
10.1.Descripción………………..………………………………………….. 37
10.2.Presión del yacimiento………………………………………….…… 38

10.3.Características de los Fluidos del Yacimiento…………………..... 39
10.4.Características de la Roca…….………………………………..….. 40
11.Unidad Hidráulica AB..………....………………………………………… 40
12. Determinación de la Permeabilidad en el Campo Oritupano A….…. 41
12.1. Unidades Hidráulica de Flujo……………………………………... 43
CAPITULO III MARCO METODOLOGICO

1.Tipo de Investigación……….……....……………………………………... 50
2.Diseño de Investigación………………………………..………………..… 50
3.Población y Muestra……….…………………………………………….… 51
4.Técnica e Instrumento de Recolección de Datos..…………….………. 52
5.Herramientas de Análisis……………...…….…………………….……… 53
ii
6.Procedimientos de la Investigación………………………………………. 53
6.1.Identificación del modelo…….…...…………………….…................ 53
6.2.Identificación de las variables de entrada………….………………. 55
6.2.1.Horizonte del proyecto….…………….………………………….. 56
6.2.2.Inversión Inicial…………………………….…….…….……………. 56
6.2.3.Ingresos…………………………………………………………… 56
6.2.4.Declinación de Producción……..…….…………………………. 60
6.2.5.Egresos………….………………………………………………… 61
6.2.6.Tasa de Descuento………………………………………………. 62
6.3 Calculo del Valor Presente Neto (Variable de Salida)…..……….. 62
CAPITULO IV ANALISIS DE RESULTADOS

1.Inversión Inicial (CAPEX)……...………………………………………….. 63
2. Ingresos (ING)….................................................................................. 64
2.1.Permeabilidad..……..…………………………………………………. 65
2.2.Presión yacimiento – Presión de fondo fluyente (Py – Pwf) ….….. 65
2.3.Arena Neta Petrolífera (ANP)……………………………… ……….. 66
2.4.Viscosidad (µ)…..…………………….…………………..…………… 67
2.5.Porcentaje de Error (% Error)………………………………………... 69

2.6.Declinación de Producción…...…….………………………………... 72
3.Egresos (EGR)………………………………………………….………….. 73
4.Cálculo del Valor Presente Neto (Variable de Salida)…….…………… 75
CAPITULO V CONCLUSIONES 79
CAPITULO VI RECOMENDACIONES 81
BIBLIOGRAFIA 82
ANEXOS 84
iii
RESUMEN
El objetivo de este trabajo fue diseñar una metodología de análisis de
riesgo para proyectos de rehabilitación de pozos en la Unidad AB/Oritupano
A del Campo Oritupano-Leona, basado en el estudio probabilístico de las
variables operacionales y económicas que intervienen en la rehabilitación de
un pozo, así como en el análisis del yacimiento y sus propiedades bajo un
enfoque de incertidumbre y probabilidad de manera de cuantificar el riesgo
de los proyectos. Para realizar las simulaciones de la información se utilizó
el método Monte Carlo a través del Software Crystal Ball, lo cual permitió
definir las distribuciones de frecuencia para cada variable. Con estas
distribuciones se realizó la simulación del Valor Presente Neto probabilístico
para el área en estudio, de manera de determinar el riesgo de los proyectos
permitiendo jerarquizarlos según su rentabilidad. Con este método de análisis
se determinó que el riesgo económico en los proyectos de rehabilitación de
pozos en el área es del 13,9%, por lo tanto es un excelente proyecto de
explotación. El propósito fundamental de esta metodología de cuantificar
riesgos es soportar la toma de decisiones y considerar la “incertidumbre” de
las variables para próximos proyectos a realizar.
iv
ABSTRACT
The objective of this project is to design a methodology based on a

probabilistic reservoir properties study and statistic study of operational and
economical variables, that are involved in workover jobs, to analyse the risk of
making future workover jobs at the Oritupano-Leona Field, specifically in the
Unit A / Oritupano A. Monte Carlo method, through Crystal Ball Program, was
used to run de simulation of the data in order to define frequency
distributions for each variable. A Net Present Value frequency chart of the
analyzed area was developed with all these distributions in order to determine
the risk of making projects and providing a way to select them depending on
their best cost effective relation. An economical risk of 13.9% on work over
projects in this reservoir was determined with this analysis method; it means
that this field is an excellent project to develop workover jobs. The purpose
of this quantifying risk methodology is being a support for making decisions
on future projects.
v
LISTA DE TABLAS
p.p
Tabla 1. Pozos Rehabilitados en el Campo Oritupano A, Unidad
Hidráulica AB. Inversión Inicial de los pozos. Producción Estimada y
Real. Porcentaje de Error en estimación de Producción………………... 94
Tabla 2. Espesores de Arena Neta Petrolífera de pozos
correspondientes a el Campo Oritupano A, Unidad hidráulica AB……... 95
Tabla 3. Viscosidades correspondientes pruebas PVT realizadas en
crudo de pozos correspondientes a la Unidad AB, Campo Oritupano A. 96
Tabla 4. Permeabilidades correspondientes a núcleos tomados en la
Unidad AB, Campo Oritupano A…….……………………………………… 97
Tabla 5. Presiones correspondientes a pozos perforados en la Unidad
AB, Campo Oritupano A……………………………………………………... 98
vi
LISTA DE ANEXOS
p.p
Anexo 1. Perfil Tipo de los Proyectos correspondientes al Campo
Oritupano A………………………………………………….………………... 84
Anexo 2. Perfil Tipo de la Unidad Hidráulica AB…………………..……... 85
Anexo 3. Histórico de Producción del Campo Oritupano A……………… 86
Anexo 4. Modelos de RFT Unidad Hidráulica AB...……………………… 87
Anexo 5. Diagrama de Completación Unidad Hidráulica AB.…………... 88
Anexo 6. Reporte Crystall Ball Qop..……………………………………… 89
Anexo 7. Reporte Crystall Ball Qo....……………………………………… 90
Anexo 8. Reporte Crystall Ball VPN.……………………………………… 91
Anexo 9. Reporte Crystall Ball Variables.………………………………… 92
Anexo 10. Reporte Crystall Ball Sensibilidad…………………………… 93
vii
LISTA DE FIGURAS
p.p
Figura 1. Histograma de Frecuencia………………………………………. 11
Figura 2. Distribución de Probabilidad………...…………………..……... 12
Figura 3. Tipos de Distribuciones de Probabilidad………..……………… 15
Figura 4. La Moda………………………………….....……………………… 17
Figura 5. Curtosis………………………………………………...…………... 18
Figura 6. Coeficiente de Correlación….…………………………………… 21
Figura 7. Esquema de Análisis de Riesgo………………………………… 26
Figura 8. Mapa de ubicación del Campo Oritupano A…………………… 37
Figura 9. Información general Unidad AB.………………………………… 41
Figura 10. Correlación Clásica de Permeabilidad - Porosidad (Campo
ORITUPANO A)……………………………………………………………… 43
Figura 11. Mapa de Ubicación (Campo ORITUPANO-LEONA)………… 51
Figura 12. Modelo Tradicional de Investigación………………………….. 53
Figura 13. Modelo Probabilístico…………………………………………… 55
Figura 14. Esquema Caudal Preliminar de Producción…………………. 59
Figura 15. Declinación de Producción (Campo Oritupano A)…………… 61
Figura 16. Curva de Probabilidad Inversión Inicial……………………….. 64
Figura 17. Curva de Probabilidad Permeabilidad………………………… 65
Figura 18. Curva de Probabilidad Py-Pwf…………………………………. 66
Figura 19. Curva de Probabilidad ANP……………………………………. 67
Figura 20. Curva de Probabilidad Viscosidad…………………………….. 67
Figura 21. Esquema Caudal preliminar de Producción………………….. 68
Figura 22. Curva de Probabilidad %Error…………………………………. 70
Figura 23. Caudal de Producción…………………………………………... 71
viii
Figura 24. Caudal de producción por pozo durante el horizonte

económico…………………………………………………………………….. 72
Figura 25. Ingresos anuales por pozo durante el horizonte económico.. 73
Figura 26. Curva de Probabilidad Egresos………………………………... 74
Figura 27. Egresos anuales por pozo durante el horizonte económico... 74
Figura 28. Valor presente Neto para Proyectos de Rehabilitación de
76
pozos en la Unidad AB del Campo Oritupano A ………………………….
Figura 29. Esquema factor de Rentabilidad……………………………….. 77
Figura 30. Sensibilidad a 100 BPPD……………………………………….. 78
ix
INTRODUCCIÓN
La optimización de la producción de los hidrocarburos y el conocimiento

de las características de los yacimientos a partir de datos de los pozos
depende en gran medida de la calidad de los mismos. Se entiende por
calidad de pozos la capacidad de alcanzar la tasa estimada de producción
y/o suministrar una cantidad suficiente de datos del yacimiento en forma
rentable. La calidad depende, sin duda, de un buen trabajo de planificación.
La reparación de pozos se concentra cada vez mas en garantizar su

retorno optimo, teniendo en cuenta las necesidades de los diversos
participantes (ingenieros, geólogos, petrofísicos, inversionistas, otros). Uno
de los aspectos fundamentales consiste en como reconciliar estas
necesidades y, cuando surgen conflictos entre ellas, cómo juzgar una con
respecto a la otra. Un método utilizado, por ejemplo, es el análisis de riesgos.
La planificación de un pozo que proporciona un 99% de probabilidad de

que se logren todos los objetivos es por lo general un plan poco realista. Así
la ingeniería, el manejo de los riesgos y la experiencia operativa
desempeñan un papel invalorable en la rehabilitación de pozos.
Con el fin de definir una metodología de análisis de riesgos para

proyectos de rehabilitación se realizaron diversos análisis de los factores que
intervienen en la reparación de un pozo, entre los que se encuentran:
tiempos y costos operacionales históricos, declinación del yacimiento,
potencial de producción, propiedades del yacimiento, simulaciones de índices
económicos, entre otros. Estos factores se agruparon en forma probabilística
y a través de distribuciones de frecuencias de manera de determinar el
rango de valores más probables determinado por el histórico, con el objetivo
1
campo Oritupano-Leona.
de lograr una jerarquización de los proyectos de reparación según su

ocurrencia de éxito, optimizando la toma de decisiones de inversión.
El análisis de riesgo como herramienta para el estudio de pozos y

jerarquización de proyectos, cobra cada día mayor importancia en la industria
petrolera; con el objetivo de reducir la incertidumbre de los resultados, dado
un escenario especifico.
Por otra parte existen varios modelos para predecir el riesgo entre los
cuales esta el método de Monte Carlo. Debido a la complejidad de los
trabajos, la investigación se enfocó en determinar estrategias para predecir el
riesgo y pronosticar el éxito de los proyectos de rehabilitación de pozos,
mediante el modelo probabilístico de Monte Carlo a través de la plataforma
del software Crystal Ball.
El área de estudio fueron los pozos pertenecientes a la Unidad Hidráulica

AB/Oritupano-A del campo Oritupano-Leona ubicado en el oriente de
Venezuela, cuya explotación está siendo desarrollada por la empresa
Petrobras Energía Venezuela desde el año 1994.
En el primer capitulo de este informe se presenta la formulación de la

hipótesis, objetivos y alcances. El marco teórico y metodología utilizada en la
investigación se presenta en los capítulos subsiguientes, así como el análisis
y discusión de los resultados.
Es importante resaltar que la presencia de incertidumbre en los cálculos

ingenieriles no es un reflejo de inexactitud o ignorancia, por el contrario, el
conocimiento de su justa dimensión es un arma fundamental para tomar
decisiones correctas en el momento oportuno.
2
CAPITULO I
1. OBJETIVOS DE LA INVESTIGACION
1.1. OBJETIVO GENERAL

Diseñar una metodología de análisis de riesgo para proyectos de
rehabilitación de pozos enfocado en el estudio probabilístico de las variables
operacionales, a nivel del yacimiento y económicas, utilizando el método
Monte Carlo, de manera de determinar el grado de incertidumbre de los
proyectos permitiendo jerarquizarlos según su rentabilidad.
Considerando como área de estudio los pozos rehabilitados en la Unidad

AB/Oritupano-A del Campo Oritupano-Leona en el oriente del país.
1.2. OBJETIVOS ESPECIFICOS

- Evaluar el modelo matemático que regirá el comportamiento de cada
variable, determinando el riesgo y la incertidumbre de los proyectos.
- Identificar cada una de las variables de entrada que intervienen en el

proceso de rehabilitación de pozos, desde el punto de vista operacional,
como a nivel del yacimiento, basado en su comportamiento histórico.
- Caracterizar en forma probabilística cada una de las variables entrada de

manera de propagar la incertidumbre a través del modelo matemático
evaluado, utilizando la simulación de Monte Carlo.
- Diseñar un criterio que permita evaluar las variables de salida con

indicadores económicos (VPN, TIR) donde se logre jerarquizar los proyectos
según su factor de rentabilidad.
3
2. HIPOTESIS DE LA INVESTIGACIÓN
El estudio de las variables que intervienen en la identificación de pozos
candidatos a trabajos de rehabilitación en conjunto con los conceptos de
riesgo económico, incertidumbre y probabilidad contribuirá a mejorar el éxito
volumétrico en los proyectos de reparación de pozos, maximizando el
recobro de hidrocarburo.
3. ALCANCE
- Identificar o diseñar un modelo basado en el concepto VPN, que permitirá
medir el riesgo económico de los proyectos de rehabilitación de pozos.
- Realizar análisis estadístico de los costos operacionales que intervienen en

la rehabilitación de pozos en el Campo Oritupano-Leona. Construir con esta
información curvas de distribución de probabilidad.
- Realizar análisis estadístico de las variables a nivel de yacimiento y

determinar su comportamiento histórico. Construir curvas de probabilidad de
las variables a nivel de yacimiento.
- Definir modelos para evaluar la declinación del yacimiento, parámetros

petrofísicos y estimaciones de potencial de los pozos, basados en conceptos
probabilísticas.
- Realizar simulaciones del Método de Monte Carlo con las variables de

entrada, utilizando el modelo matemático identificado.
- Diseñar un modelo que permita jerarquizar los proyectos según su factor de

rentabilidad.
4
4. ANTECEDENTES DE LA INVESTIGACIÓN
Assem Al-Hajj and Khamis Al-Saadi, en un trabajo presentado en la revista
Saudi Aramco Journal of Technology (2002), titulado “Shell Group’s Asset
Management and Implementation”, señala que importantes corporaciones
han logrado mejoras en sus procesos y considerables reducciones de los
costos de producción en base a la aplicación de una disciplina gerencial
llamada “Gerencia Integral de Activos”. La gerencia de un activo físico es una
nueva disciplina de negocio que enlaza la complejidad técnica de la
confiabilidad, desempeño, mantenimiento, seguridad y aspectos ambientales
con las presiones de la contabilidad de los costos, los objetivos de negocio y
las exposiciones de riesgo.
Los pilares técnicos fundamentales de la “Gerencia de Activos” son la

cultura del costo del ciclo de vida, el análisis de riesgo y la gerencia de la
incertidumbre. El marco teórico-practico que estudia los aspectos
previamente mencionados es la Ingeniería de Confiabilidad.
Un profesional en la gerencia de activo es una pieza que permite introducir

disciplina de negocio, métodos de decisiones basada en riesgo,
mejoramiento genuino continuo y alto grado de compromiso (ownership) a
todos los niveles de una organización.
La gerencia integral de activos demanda una evolución desde

“metodologías de confiabilidad” hacia la “ingeniería de confiabilidad” y la
definición del concepto de activo incluyendo yacimientos, instalaciones de
subsuelo e instalaciones de superficie.
Kevin K. Waddell, SPE (1999), Realizó una Investigación denominada

“Determinar el Riesgo Aplicando la Tecnología Multilateral: Ganando
5
una Buena Comprensión”, las herramientas que se utilizaron se basaron en

varios software de riesgo-análisis actualmente en el mercado. El modelo
presentado aquí es un paquete de análisis de riesgo que contiene el software
de análisis del mismo en forma cuantitativa.
El modelo usó un programa para realizar una curva que empareja la base
de datos estadísticos operacionales para determinar la distribución de
probabilidad que se ajusta y las capacidades correspondientes. Otro
programa existente es el del árbol de decisión que usa el Teorema de Bayes
para calcular 8 probabilidades cumulativas para trazar los resultados y
probabilidades de las fases operacionales, también se usó junto con un
programa de simulación que tenía la capacidad para proporcionar un modelo
probabilístico llamado Monte Carlo o la rutina de Hypercube latina. La
descripción de los modelos se basó en tres elementos, como fueron:
- Una porción del árbol de decisión que describe el proceso de una

construcción multilateral.
- Una hoja de cálculo de los funcionamientos para archivar la distribución
de tiempo y factores del costo.
- Una hoja de cálculo económica para calcular el costo y dinero en
efectivo para comparar el valor presente neto (VPN).
Se llegó a la conclusión que el modelo de Análisis de Riesgo Cuantitativo

descubierto en este proceso se desarrolló para la construcción de unas
cuatro uniones multilaterales niveladas y ha acelerado su uso. El propósito
de esta tarea era intentar cuantificar y comunicar el riesgo a las compañías
de operación, con este tipo de construcción para acelerar el uso de la
tecnología. Un diseño de árbol de decisión fue escogido para mantener un
mecanismo simple, definiendo la singularidad de construir multilateralmente y
evaluar lógicamente los problemas potenciales. El modelo utiliza datos
6
históricos del trabajo y bases de datos del componente así como las
experiencias operacionales multilaterales y de primera mano para describir y
asignar las distribuciones de probabilidad de cada evento.
El modelo también puede usarse como una herramienta educativa para

demostrar y comunicar la filosofía de riesgo operacionalmente basado en los
proyectos.
M. R. Fassihi, SPE, BP Amoco, J. S. Blinten, SPE, y T. Riis, SPE (1999),

realizó una investigación denominada; “Riesgo de la Dirección para el
Desarrollo Perspectivo de un Costanero”; La perspectiva de esta
investigación se localizó en un costanero en el ambiente de Rusia y consistió
en un anticlinal de estructura, de cuatro-conducto que están dentro de la
proximidad en las orillas de los campos probados. La Profundidad del agua
esta sobre el rango de la estructura de 100 a 300 m. El aceite recuperable
total se estima para estar alrededor de un billón de barriles. Este proyecto
describió la metodología que manejaba los riesgos para el desarrollo futuro
de esta perspectiva. Los objetivos fueron:
- Cuantificar las incertidumbres y su impacto global en la economía de

este proyecto.
- Comparar la ingeniería técnica y el VPN común de los riesgos
comerciales.
El programa de evaluación de proyectos totalmente integrado (PetroVR)

fue usado para lograr esta tarea. La incertidumbre en cada variable era
incluida en el programa. Para lograr los dos objetivos anteriores, se dirigió la
simulación Monte Carlo (1000 iteraciones) a tres casos. Para describir sus
condiciones. En el primer caso, ambos parámetros técnicos y comerciales se
arriesgaron. En el segundo caso, el riesgo sólo estaba en los parámetros
7
técnicos. Finalmente, en el tercer caso, sólo las condiciones comerciales

tenían riesgo.
En conclusión el programa técnico y económico totalmente unido Petro

VR fue usado para evaluar la viabilidad económica de una perspectiva de
exploración. Aunque los resultados de la determinación eran algo favorables,
las ejecuciones del riesgo indicaron la degradación económica del proyecto.
La comparación de los riesgos técnicos y comerciales indicaron que los
riesgos técnicos estaban influyendo en el resultado económico más que las
condiciones comerciales. Así, deben gastarse más tiempo y dinero en la
optimización del proyecto. Claro, en un ambiente dónde las condiciones de
VPN no son aplicables, ya que pueden obtenerse diferentes resultados.
Estudios similares pueden llevarse a cabo para evaluar el impacto de otras
condiciones fiscales que usan a este modelo.
8
campo Oritupano-Leona, basados en el método de Monte Carlo,
CAPITULO II
MARCO TEORICO
1. Probabilidad
Es una medida de la posibilidad de ocurrencia de un evento, la
frecuencia es un indicador de probabilidad:
Si el evento “a” es muy frecuente => probabilidad de “a” (p(a)) es alta

Si el evento “a” es poco frecuente => probabilidad de “a” (p(a)) es baja
La Probabilidad tiene un papel esencial en la aplicación de la inferencia

estadística de porque una decisión, cuyo fundamento se encuentra en la
información contenida en una muestra aleatoria. Sin una adecuada
comprensión de las leyes básicas de la probabilidad, es difícil utilizar la
metodología estadística de una manera efectiva por esta razón la
probabilidad es la posibilidad de que ocurra un evento.
1.1. Tipos de Probabilidad
- Probabilidad Subjetiva
Esta probabilidad se refiere a las opiniones personales. La probabilidad
subjetiva se puede decir; que es la intuición sobre una probabilidad. Además
existen eventos de los que se desconocen sus características por lo que se
hace necesaria tomar en consideración la probabilidad subjetiva.
- Probabilidad con Frecuencia Relativa

Consiste en conocer un fenómeno por medio de la experimentación
(tomando una muestra) y utilizar dichos datos para determinar
probabilidades. En estadísticas es la más utilizada.
9
- Probabilidad Clásica
Consiste en analizar el número de observaciones posibles con respecto al
total pero de manera analítica sin experimentar.
2. Modelos Probabilísticos
Los modelos probabilísticos son reglas que nos indican la probabilidad de
obtener cierto evento de nuestro espacio muestral, utilizada para describir de
manera cuantitativa un proceso aleatorio. Es decir, se puede cuantificar la
naturaleza del fenómeno bajo estudio, por ejemplo, no es lo mismo decir,
tengo una gran seguridad de que me voy a "sacar" la lotería, o tengo una
probabilidad de 0.00001 de obtener un premio en la lotería.
2.1. Características de Modelos Probabilísticos

Las características de modelos probabilísticos, van desde reglas
descriptivas hasta modelos matemáticos. Las reglas descriptivas
generalmente se aplican a variables nominales (categóricas) mientras que
para variables de tipo numérico (discretas o continuas) se emplean modelos
matemáticos llamados distribuciones de probabilidad o distribuciones
probabilísticas. En el caso de las distribuciones probabilísticas, éstas son
representadas por sus parámetros. Los parámetros de las distribuciones
caracterizan por completo su forma y localización. Por lo tanto, la información
de una muestra puede resumirse en uno o dos parámetros del modelo
seleccionado. Esto último es importante cuando se tiene una gran cantidad
de datos.
Todos los modelos Probabilísticos tienen las siguientes características:

- Son completos (exhaustivos) para todo el espacio muestral del proceso. Es
decir, asignan valores de probabilidad a todos los posibles resultados del
espacio muestral. En el caso de variables continuas, la estimación no es
puntual sino por intervalo.
10
- La suma de las probabilidades que integran los elementos del espacio

muestral es 1.
- En el caso de las distribuciones de variables continuas, la integración (área
bajo la curva) es 1.
- Estos modelos pueden ser empíricos o derivados de ciertas suposiciones
que pueden o no cumplirse con el fenómeno bajo estudio.
2.2. Tipos de Distribución de Probabilidades

Los tipos de distribuciones probabilísticas se pueden estimar por
diferentes métodos: momentos, máxima verosimilitud, regresión lineal,
regresión no lineal, y otros. Cada modelo tiene una manera peculiar de como
sus parámetros son estimados.
Las distribuciones de probabilidad se clasifican en:
- Distribuciones no paramétricas o histogramas.
- Distribuciones paramétricas.
2.2.1. Distribuciones No Paramétricas o Histogramas de Frecuencia

Un histograma esta conformado por un conjunto de rectángulos que
representan la frecuencia de cada categoría; representa gráficamente las
frecuencias correspondientes a los valores observados y describen las
variaciones producidas durante un proceso.
0,40
0,30
0,20
0,10
0,00
9.1-9.4 9.4-9.7 9.7-10.0 10.0-10.3 10.3-10.6 10.6-10.9
Figura 1. Histograma de Frecuencia
X
Figura 1. Histograma de Frecuencia
11
2.2.2. Distribuciones Paramétricas

Son modelos “matemáticos” o ecuaciones que relacionan todos los
posibles valores que una variable aleatoria o distribuida puede tomar con su
probabilidad de ocurrencia. Se caracterizan por sus formas de campanas y
por el uso de “parámetros” en sus ecuaciones.
XM =MODA (valor de la variable con

mayor probabilidad de ocurrencia)
f(X)
μ=MEDIA (medida de la tendencia
central, o valor esperado
de la variable)
σ =Desviacion estandar
(Medida de la dispersion incertidumbre
asociada a la variable)
XM μ X
XL=5% XU=95%
LIMITE LIMITE
INFERIOR 90 % INTERVALO DE SUPERIOR
Pr(X< XL)=0.05 CONFIANZA Pr(X< XU)=0.95
Pr(L<X<U)=0.9
Figura 2. Distribución de Probabilidad
Las distribuciones paramétricas se clasifican a su vez, en las siguientes

variables:
- Variables aleatorias continuas: distribuciones normal, lognormal,

exponencial, weibull, beta, gamma, triangular, uniforme.
- Variables aleatorias discretas: binomial, poisson, hipergeométrica y

geométrica.
12
Entre las distribuciones de probabilidad más conocidas se tiene:
- Distribución Uniforme
La distribución uniforme, se presenta cuando los valores entre el mínimo y
el máximo ocurren con una probabilidad igual, presentando las siguientes
características: el valor mínimo es fijo, el valor máximo es fijo y los valores
entre el mínimo y el máximo ocurren con una probabilidad igual.
- Distribución Normal
La distribución normal es la más importante en la teoría de probabilidad
porque describe muchos fenómenos naturales, se presenta en forma de
campana, habitualmente llamada distribución de Gauss. Es simétrica en
torno a su media; la media, mediana y modo son iguales; el área total de la
curva por encima del eje basal x es la unidad del área = 1, por lo tanto cada
sector de derecha a izquierda tiene un valor de 0,5. Si se trazan líneas
perpendiculares a un desvío estándar de distancia de la media, se obtiene un
68 por ciento del área de la curva. Dos desvíos estándar encierran un 95 por
ciento y tres un 99,7 por ciento de la curva.
- Distribución Triangular
La distribución triangular se presenta en una situación dónde se sabe el
mínimo, el máximo, y el valor más probable de ocurrencia de un evento: el
número mínimo es fijo, el número máximo también es fijo y el número más
probable se ubica entre los valores mínimos y máximos.
- Distribución Binomial
La distribución Binomial afecta a las variables discretas. Se deduce a
partir del ensayo de Bernoulli, en un experimento, solo puede conducir a dos
resultados probables y mutuamente excluyentes, ambos son rotulado como
éxito y fracaso, la probabilidad de éxito es p y la probabilidad de fracaso es:
13
q = 1 – p.
Los parámetros para esta distribución son el número de ensayos y la

probabilidad. Para cada ensayo, sólo existen dos resultados posibles, los
ensayos son independientes. Lo que quiere decir que el primer ensayo no
afecta el segundo ensayo, y así sucesivamente.
- Distribución Beta
La distribución beta normalmente es una distribución muy flexible que
representa la variabilidad de un rango fijo. En esta aplicación, la distribución
beta se usa para representar la incertidumbre en la probabilidad de
ocurrencia de un evento. También se usa para describir los datos empíricos y
predice la conducta aleatoria de los porcentajes y los fragmentos.
- Distribución de Poisson
La ley de Poisson dice: la frecuencia de un evento es independiente de
otros. La frecuencia de un evento en un intervalo de espacio o tiempo, no
tiene efecto sobre la probabilidad de una segunda frecuencia del evento en el
mismo intervalo o en cualquier otro. La distribución de Poisson se utiliza
cuando se hacen registros de eventos que se distribuyen al azar en un
espacio o tiempo determinado. Puede esperarse que cierto proceso
obedezca la ley de Poisson y ante esta suposición se puede calcular la
probabilidad de que ese evento se presente en una unidad de tiempo, como
el número de llamadas telefónicas por minuto.
14
Figura 3. Tipos de Distribuciones de Probabilidad
3. Conceptos Estadísticos
Media: La media es un juego de valores que se encuentra sumando todos
los valores y luego dividiendo su suma por el número de valores. El término
“el promedio” normalmente se refiere a la media. La media se expresa bajo la
siguiente relación:
∞
X= ∑Xi/n
i=0
Donde:
__
X = Media
Xi = Valor observado que se identifica mediante el subíndice 1,2,…n o el
subíndice general i
n = Cantidad de Valores Observados.
∑ = Simbolo que significa “la suma de”
15
Mediana: Es el dato o número que se encuentra en el centro, bajo el

siguiente orden, primero se ordenan los datos en forma horizontal y
ascendente o descendente. Si el total de los datos son pares, se saca el
promedio de los dos que se encuentren en el medio. La mediana sigue la
siguiente relación:
Md = Lm - ( n/2 – Cfm) i
fm
Donde:
Md = Mediana
Lm = Límite inferior de la celda donde está la mediana
n = Cantidad de Valores Observados
Cfm = Frecuencia Acumulativa de todas las celdas de debajo de Lm
fm = Frecuencia de la celda de la mediana
i = intervalo de celda
Moda: Es el dato que más se repite. En caso de que no se repita ningún

dato, se dice que no hay moda. Si hay dos datos que tengan la misma
frecuencia se dice que es bimodal, si hay tres datos que se repiten la misma
frecuencia se dice que hay trimodal, y así sucesivamente.
En una distribución absolutamente simétrica como la distribución normal,

la media, mediana, y la moda convergen en un momento dado. Cuando la
distribución es asimétrica o sesgada como la distribución del lognormal, la
media, mediana, y la moda tienden a extender fuera, como se muestra en la
gráfica.
16
Moda Media
Mediana Mediana
Media Moda
Fuente: Warnwright y otros (2000)

Figura 4. La Moda
Desviación Estándar: Es la raíz cuadrada de la variación para una

distribución. Como la variación, es una medida de dispersión sobre la media
y es útil para describir el promedio de desviación y poder obtener una
percepción intuitiva para la mayoría de los valores esperados. La desviación
estándar es la raíz cuadrada del promedio de la distancia de valores de la
media:
∞ __
σ= ∑ (Xi – X)2 / n – 1
i=0
Donde:
σ = Desviación Estándar
__
X = Media
Varianza: La varianza es una medida de dispersión o extensión, ya que

cuando los valores están cerca de la media, la variación es pequeña. Cuando
17
se esparcen los valores ampliamente sobre la media, la variación es más

grande. Para calcular la variación se debe calcular la media o promedio, para
cada valor, se calcula la diferencia entre el valor y la media y se divide por n-
1 dónde el n es el número de diferencias.
∞ __
σ2 = ∑ (Xi – X)2
i=0 n
Donde:
σ = Desviación Estándar
__
X = Media
Curtosis: La Curtosis se refiere al grado de planitud o puntiagudismo de una

distribución. Por ejemplo, una distribución que puede tener valores
absolutamente simétricos pero los valores estan mas agrupados hacia el
centro de la curva.
Moda Media
Mediana Mediana
Media Moda
Figura 5. Curtosis
Una distribución normal se usa como la norma de referencia y tiene una
18
Curtosis de 3. Las distribuciones con un valor de Curtosis menores de tres

se describe como el platykurtic, y distribuciones con un valor de Curtosis de
mayor que 3 es las leptokurtic (puntiagudo).
∞
∑ (Xi – X)4
i=0 n_
a4 =
σ4
Donde:
σ
_
= Desviación Estándar
X = Media

a4 = Asimetría
Coeficiente de Variabilidad: El coeficiente de variabilidad es aquella que

proporciona una medida cuándo sus valores de previsión varían del más
cercano al valor medio. Esta estadística es independiente de las unidades de
previsión, se puede usar para comparar la variabilidad de dos o más
previsiones, incluso cuando las balanzas de previsión difieren.
El coeficiente de variabilidad tiene típicamente los rangos de un valor

mayor que 0 a 1. Podría exceder de 1 en un número pequeño de casos en
que la desviación estándar de la previsión es extraordinariamente alta.
El coeficiente de variabilidad es calculado dividiendo la desviación

estándar por la media.
19
Error Estándar Medio: La estadística del error estándar medio o malo, le

permite determinar la exactitud de una simulación y cuántos ensayos son
necesarios para asegurar un nivel aceptable de error. Esta estadística le dice
la probabilidad de la media estimada que se desvía de la verdadera media
por más de una cantidad especificada. La probabilidad que la verdadera
media de la previsión está dentro de la media estimada (más o menos el
error estándar malo) es aproximadamente 68 por ciento.
Valor máximo – Valor mínimo

Valor máximo
Coeficiente de Correlación: Cuando los valores de dos variables dependen

entre sí o en parte, las variables son consideradas puestas en correlación.
El coeficiente de correlación es un número que describe la relación entre

dos eventos dependientes. El coeficiente valora el rango entre –1 y O para
una correlación negativa 0 y +1, para una correlación positiva. El valor
absoluto más infinito del coeficiente de correlación es +1 o –1.
Un coeficiente de correlación, son aquellas que miden la fuerza de la

relación lineal entre dos variables. Sin embargo, si las dos variables no tienen
las mismas distribuciones de probabilidad, ellos serán relacionados
improbablemente lineales. Bajo esas circunstancias, el coeficiente de
correlación calculado en sus valores tiene un significado pequeño.
.
∞ ∞ ∞
n ∑ Xi Yi - ∑ Xi ∑ Yi
i=0 i=0 i=0
∞ ∞ 2 ∞ ∞ 2
n ∑ Xi2 - ∑ Xi n ∑ Yi2 - ∑ Yi
i=0 i=0 i=0 i=0
20
Figura 6. Coeficiente de Correlación
Percentil: Es un número en una balanza de cero a cien; el cien indica el por

ciento de una distribución. Las pruebas estandarizadas normalmente
informan los resultados en los percentiles. Así cuando se estudia el percentil
95 que representa el 95 por ciento de las personas que tomaron la prueba
tenían la misma cuenta cuando se hizo la prueba o la tenían más baja. Esto
no significa que contestó el 95 por ciento de las preguntas correctamente.
Pudo haber contestado sólo 20 por ciento correctamente, pero eso es bueno
ya que el 95 por ciento de las personas tomaron la prueba.
Muestreo: Una muestra es cualquier subconjunto de una variable, universo o

población. Cuando se requiere que la muestra sea representativa de la
población de valores a la cual pertenece, es necesario que dicha muestra
sea aleatoria, es decir, que sea tomada al azar, para que todos los valores
sean capaces de ser extraídos o sean elementos de la muestra. Cuando se
toman n valores, al azar, de una población, se dice que se tiene una muestra
aleatoria de tamaño n, y esto se denota: M.A.(n). Esta extracción al azar
puede ser llevada a cabo en forma directa, o por estratos o grupos,
dependiendo de la naturaleza de la población.
21
Cuando se desea conocer algún parámetro de una población infinita o

finita pero impráctica de medir a todos los elementos, generalmente se
recurre al muestreo, con la salvedad de que al hacer esto no se van a
obtener los parámetros, sino sólo sus estimadores, y la precisión y la
exactitud de estos estimadores estarán en función de varios factores, tales
como el tamaño de la muestra, la estricta aplicación del azar, los errores
humanos en las mediciones, la calidad de las funciones o fórmulas que se
utilicen (estadísticas) en cuanto a su sesgo al aplicarles el operador
esperanza.
4. Método de Monte Carlo

El análisis de riesgo basado en el Método de Monte Carlo analiza el efecto
de entradas variantes en los rendimientos del sistema planeado. Con el
método Monte Carlo, se generan los valores aleatorios por la distribución de
probabilidad de cada suposición que es totalmente independiente. En otros
términos, el valor aleatorio seleccionado para un ensayo no lleva puesto el
efecto del próximo valor aleatorio ya establecido.
El método consiste en la toma de muestras de muchas pruebas a variables

aleatorias, para conocer sus valores descriptivos, arrojando probabilidades y
valores de sucesos futuros.
Todo lo hace automáticamente la herramienta de simulación. Y todo

gracias a que la mayoría de los sucesos de la naturaleza y producto de la
actividad humana presentan una distribución llamada normal, se puede
entonces estudiar sus características de dispersión y tendencia media, con lo
cual se realiza la predicción de escenarios numéricos aplicables en la toma
de decisiones, formulación de estrategias y planes de acción. Entran en
juego también fenómenos como estilo gerencial y disposición al riesgo del
decidor del consenso para establecer hipótesis.
22
El Método de Monte Carlo se representa por la siguiente función:
ƒ (x) = exp (-β H (x))
Z
Donde Z es la función de partición, pero en los cálculos no aparece
porque r es el cociente de dos funciones.
El Método de Monte Carlo da solución a una gran variedad de problemas

matemáticos haciendo experimentos con muestreos estadísticos en una
computadora. El método es aplicable a cualquier tipo de problema, ya sea
estocástico o determinístico. A diferencia de los métodos numéricos que se
basan en evaluaciones en N puntos en un espacio M-dimensional para
producir una solución aproximada, el método de Monte Carlo tiene un error
absoluto en la estimación que decrece en 1/√ N por teorema de límite central,
mientras que otros métodos, a falta de una buena estructura, tienen errores
que decrecen a lo más en 1/√N.
La simulación de Monte Carlo fue creada para resolver integrales que no

se pueden resolver por métodos analíticos, para resolver estas integrales se
usan números aleatorios o esquemas que empleen lo mismo para poder
usar variables aleatorias con distribuciones de probabilidad conocidas, el cual
es usado para resolver ciertos problemas estocásticos y determinísticos,
donde el tiempo no juega un papel importante.
Por lo tanto es un proceso computacional que utiliza números aleatorios

para derivar una salida, por lo que en vez de tener entradas con puntos
dados, se asignan distribuciones de probabilidad a una o todas las variables
23
de entrada. Esto generará una distribución de probabilidad para una salida

después de una corrida de la simulación.
La simulación recurre al uso de un muestreo aleatorio para estimar la

salida de un experimento. Se le considera el precursor de la simulación
actual. La simulación es cualquier método analítico que significa imitar un
sistema de vida real, sobre todo cuando otros análisis son demasiado
complejos matemáticamente o demasiado difíciles de reproducirse.
5. Riesgo
El concepto de riesgo presenta muchas definiciones que depende del
contexto donde se este utilizando, entre los cuales se tiene:
“Característica de un sistema asociada a la posibilidad de tener diferentes

resultados ante un evento”.
“Cuantificación de las posibles pérdidas asociadas a la ocurrencia de un

evento determinado”.
“Cuantificación de los posibles resultados por debajo del valor

esperado de un evento”.
Basando en la Ingeniería de Confiabilidad, riesgo también puede definirse

de las siguientes maneras:
En procesos cuyo desempeño depende de la operación de equipos y

sistemas físicos, el riesgo puede definirse como:
Riesgo(t) = Probabilidad de falla(t) x Consecuencias
Riesgo(t) = [1-Confiabilidad c(t)] x Consecuencias
24
En procesos cuyo desempeño puede ser seriamente afectado por la

ocurrencia de eventos indeseados, el riesgo puede definirse como:
Riesgo(t) = Probabilidad de ocurrencia evento Xi(t) x Consecuencias
En procesos de toma de decisiones, donde el beneficio a obtener

depende en grado sumo de la veracidad del análisis y de la data evaluada, el
riesgo puede definirse como:
Riesgo(t) = Probabilidad de desacierto Di(t) x Consecuencias
De todos estos conceptos de riesgo, el que describe el estudio realizado

es el siguiente: “Cuantificación de los posibles resultados por debajo del valor
esperado de un evento”.
5.1. Análisis de Riesgos

Análisis de naturaleza probabilística permite caracterizar una decisión en
base a la probabilidad de éxito con sus beneficios y probabilidad de fracaso
con sus consecuencias
El propósito fundamental de un análisis de riesgos es soportar el proceso

de toma de decisiones, donde las decisiones basadas en riesgo poseen las
siguientes características:
Basadas en hechos, experiencias y datos duro
Considera la “incertidumbre” de las variables consideradas en el análisis.
Consideran las consecuencias de dicha decisión
Verificables y por lo tanto perfectibles.
En el siguiente figura se puede ilustran el esquema a seguir en un análisis

de riesgos.
25
Descripción del Proceso
Estimación de Cuantificación de Estimación de

Probabilidad Riesgos Consecuencias
Basada en la data Impacto ambiental /

histórica personas
Basada en la condición Costos de reparación

(Monitoreo del proceso)
Perdidas de mercado
Basada en conocimiento
Empírico del proceso
Perdidas de producción
Perdidas de ventajas
Tecnológicas
Figura 7. Esquema de Análisis de Riesgo
Cualquier cambio en un proceso propone algún riesgo. Su propio análisis

normalmente revelará las numerosas áreas de riesgo potenciales: los costos
en horas extraordinarias, la escasez del inventario, las ventas futuras, los
resultados de estudios geológicos, las fluctuaciones del personal, la
demanda imprevisible, los costos de mano de obra cambiantes, las
aprobaciones gubernamentales, las fusiones potenciales y la legislación
pendiente.
Una vez que se identifican los riesgos, un modelo probabilístico puede

ayudar a cuantificarlos. Cuantificar el riesgo significa determinar las
oportunidades que el riesgo ocurrirá y el costo en que incurren, para ayudarle
a decidir si se toma el riesgo.
Por otra parte el riesgo se expresa en función de la dispersión de la

distribución de probabilidades de las variables que se estén utilizan en un
26
estudio determinado.
El análisis de riesgos es una herramienta fundamental que usan las

Corporaciones para escoger la mejor estrategia para reducir los riesgos a los
que está expuesta la empresa al menor costo posible.
6. Incertidumbre
Cuando en el mundo industrial se consideran los conceptos de
sobredimensionamiento, sobremantenimiento o submantenimiento,
presupuestos sobreestimados o subestimados, paradas no planificadas,
estimaciones erradas, intrínsecamente se habla de Incertidumbre.
La incertidumbre es una medida de la inseguridad o grado de

desconocimiento acerca de una variable o evento. Esta puede originarse del
nivel de conocimientos que se tiene de un sistema o proceso, es decir, la
confiabilidad de la data o información que se este utilizando, la cantidad de la
data y de la tecnología que se utilice para la recolección u obtención de la
misma. También puede originarse incertidumbre en la variabilidad inherente
a los sistemas o procesos, es decir, en el grado de heterogeneidad que
existe en los sistemas y el comportamiento aleatorio de los mismos. Un factor
presente en todo proceso donde también nace la incertidumbre es que la
mayoría de estos están signados por el comportamiento humano, el cual por
característica presenta un alto grado de incertidumbre en todas las tareas
que desempeña.
6.1. Clases de Incertidumbre

La incertidumbre se puede dividir en dos grandes aspectos, la
incertidumbre que se deriva del conocimiento del sistema o proceso y la
incertidumbre referente a la variabilidad inherente al mismo. De esta división
se desprenden dos clases de incertidumbre:
27
- Incertidumbre fundamental (Incertidumbre epistémica)

- Incertidumbre aleatoria (variabilidad estocástica)
La incertidumbre fundamental, se basa en el conocimiento que se tiene

de un proceso, por esta característica este tipo de incertidumbre es reducible
a través de estudios y mediciones. A medida que se obtengan mayor
información del comportamiento de un proceso se puede lograr reducir las
variaciones en su incertidumbre.
La incertidumbre aleatoria, se basa en la variabilidad del sistema, por ello

esta no es reducible a través de estudios y mediciones, si no que se debe
tener conocimiento de esta diversidad en los valores de las variables y por lo
tanto conocer el rango de incertidumbre que presenta nuestro sistema.
6.2. Opciones para decidir en presencia de Incertidumbre

El proceso de toma de decisiones en presencia de incertidumbre es
bastante complejo, ya se refiere al desconocimiento de la justa dimensión del
comportamiento de las variables. Por ello, existen acciones que se pueden
tomar para decidir en presencia de incertidumbre, entre las cuales se
encuentran:
- Ignorarla y decidir. Esta acción proporciona alto riesgo ya se esta en
desconocimiento de las variaciones en los valores de las variables, por
ello representa una decisión de alto impacto, cuya dependencia
fundamental se basa en el factor suerte. En este ambiente en la
mayoría de los casos existe un sub o sobre-dimensionamiento del
sistema o proceso.
- Tratar de eliminarla y decidir. Esta acción se caracteriza por presentar
altos costos en los sistemas de información, ya que se quiere tener
control del dimensionamiento y comportamiento de las variables. Se
van a originar conflictos por la calidad de la data y por consiguiente
28
parálisis del sistema o proceso para analizar la información para la

posterior toma de decisiones.
- Considerarla en el análisis, cuantificarla y decidir. Esto se refiere a la
gerencia de la incertidumbre, es decir, cuantificar la incertidumbre a
través de data y la construcción de un modelo, estimar el impacto
(análisis de sensibilidad) y tomar acciones para lograr su reducción,
siendo estas técnicamente factibles y rentables .
7. Conceptos de Yacimiento
El Yacimiento es la unidad Geológica de volumen limitado, porosa y
permeable, capaz de contener hidrocarburos líquidos y/o gaseosos.
Las herramientas comúnmente utilizadas por el ingeniero de yacimientos

para evaluar las distintas acumulaciones de hidrocarburos son:
1. Pruebas de Producción (DST)

2. Pruebas de Restauración de Presión (Build-up)
3. Análisis de Rocas (Núcleos)
4. Análisis de Fluidos (PVT)
5. Historia de Producción (de Petróleo, Agua y Gas)
6. Declinación de Presión.
De estos análisis se puede predecir el comportamiento futuro del

yacimiento, estimar el caudal de petróleo y gas a recuperar y planificar el
desarrollo del yacimiento.
Viscosidad: Es la resistencia de ciertos líquidos a fluir. La unidad de medida

de la viscosidad es el Centipoise.
Factor Volumétrico del Petróleo (Bo): Es el volumen que ocupa a
29
condiciones de yacimiento un barril normal de petróleo más su gas en

solución. También puede definirse como el cambio de volumen que
experimenta la fase líquida al pasar de las condiciones de yacimiento a las
condiciones de superficie.
Permeabilidad: Es una característica inherente a la roca, que da una idea

de la habilidad a dejar fluir un fluido a través de los canales que constituyen
el volumen poroso interconectado. La permeabilidad se expresa mediante
una unidad arbitraria denominada Darcy.
7.1. Ley de Darcy

Como resultado de estudios experimentales de flujo de agua a través de
filtros de arena no consolidada, Henry Darcy dedujo, en 1856, una formula que
enuncia que la velocidad de un fluido homogéneo en un medio poroso es
proporcional al gradiente de presión, e inversamente proporcional a la
viscosidad del fluido. La expresión matemática de la Ley de Darcy es la
siguiente:
q K ⋅ (dP )
v= =−
a μ ⋅ (dl )
Donde:
v: Velocidad aparente de flujo (cm/seg)
q: Tasa de Flujo (cc/seg)
A: Área perpendicular de flujo (cm2)
K: Permeabilidad (Darcy)
µ: Viscosidad (Cp)
dp/dl: Gradiente de presión en la dirección del flujo (atm/cm)
Esta ecuación puede ser integrada para diferentes condiciones de flujo,
30
obteniendo que para flujo radial la ecuación de Darcy es la siguiente:
0.0078 ⋅ ANP ⋅ K ⋅ (Pe − Pwf )

Q 0p =
⎛ ⎛ Rd ⎞ ⎞
μ ⋅ Bo ⋅ ⎜⎜ ln⎜⎜ ⎟⎟ + s ⎟⎟
⎝ ⎝ Rpozo ⎠ ⎠
Donde:
ANP: Espesor de la arena petrolífera (pies)
K: Permeabilidad (mD)
Pe: Presión estática del yacimiento (lpc)
µ: Viscosidad del petróleo (cP)
Bo: factor volumétrico de petróleo (Adimensional)
Rd: Radio de la zona dañada (pies)
Rpozo: Radio del pozo (pies)
s: Factor de daño (Adimensional)
Qop: Tasa preliminar de producción a producir (Bls)
8. Rehabilitación de Pozos
La rehabilitación de pozos representa la alternativa de alargar la vida de
los yacimientos con menor o ninguna inversión y da la posibilidad de evaluar
y producir varios horizontes por el mismo pozo; así como mantener un control
sobre los diferentes problemas de producción (agua, gas, baja presión,
daños de formación, entre otras) que se presentan.
De aquí, la necesidad de mantener una constante planificación sobre los

pozo por reparar, para lo cual se debe analizar los problemas específicos en
cada pozo e identificar el pozo problema y el tipo de reparación que se ha de
realizar para el mantenimiento o generación de potencial.
31
En la rehabilitación de pozos es muy importante el análisis de los pozos

problemas. Un pozo problema es aquel que, dentro de un marco económico
particular, presenta límites predeterminados. Los problemas que se
presentan en los pozos son: tasa de producción limitada, alta producción de
agua o gas, problemas mecánicos, entre otros:
- Tasa de producción limitada. Los problemas de baja tasa de

producción pueden resultar de varios factores, a nivel de yacimiento o
del mismo pozo, que altera la normal producción del sistema pozo-
yacimiento. Estos factores son: baja permeabilidad de la formación,
baja presión de yacimiento, daño a la formación, taponamiento en la
vencidad del pozo o de la tubería de producción, alta viscosidad del
petróleo, excesiva contrapresión sobre la formación, inadecuado
sistema de levantamiento.
- Alta producción de agua. La alta producción de agua en pozos de

petróleo o gas, puede ser causada por las siguientes razones: empuje
natural del agua o influjo de agua debido al adedamiento o
conificación del agua, fuentes extrañas de agua (roturas en el
revestidor, fallas de equipos de completación o de la cementación
primaria), fracturamientos o acidificación de zonas de agua
adyacentes a la zona de petróleo.
- Alta producción de gas. El comportamiento de la relación gas-petróleo

típica, para cada mecanismo de producción, debe tomarse en cuenta
en el análisis de pozos problemas. Las principales fuentes de gas en
pozos de petróleo son: gas disueltos en el petróleo, capas de gas
primarias o secundarias e influjos de gas de zona infla o suprayacente.
- Problemas mecánicos. Un gran número de fallas mecánicas pueden

causar perdidas de producción y/o incrementos en los costos de
32
operaciones de un pozo. Algunas de las fallas mas comunes son: falla

en la cementación primaria, filtración del revestidor, tubería de
producción y de empacaduras, fallas en los equipos de levantamiento
artificial, comunicación por completaciones múltiples
8.1. Tipos de trabajos de Rehabilitación de Pozos

Los tipos de reparaciones que deben realizarse en un pozo dependerán
de la magnitud del problema que lo afecte. De esta forma existe dos tipos de
reparaciones: Menores y mayores.
- Menores, su objetivo principal es trabajar el pozo sin recuperar la

completación. En este tipo de reparaciones se pueden incluir trabajos tales
como: estimulaciones, cambios de zona, cañoneo adicional o recañoneo,
trabajos de pesca, apertura de pozos, cambios de métodos de producción,
cambio de tubería, otros.
- Mayores, se realizan con taladro en sitio y consiste en sacar la tubería de

producción, con el propósito de corregir fallas como: mala cementación,
aislar zonas, eliminar zonas productoras, etc.
8.2. Evaluación de la reparación

Existen dos formas de evaluar la reparación de un pozo: Evaluación
financiera y a través de análisis de resultados.
- La evaluación financiera, esta se realiza previo a la reparación, para

ello se tienen como base los pronósticos de producción generados por
el análisis del pozo y la información financiera relacionada con
inversiones, impuestos, costos, inflación, vida útil, etc.
- Análisis de resultados. El análisis de los resultados de una reparación
33
queda sujeto al hecho de si se efectuó la reparación de acuerdo con lo

planificado. De otra forma se debe estudiar las causas que impidieron
obtener los resultados pronosticados.
8.3. Acciones para analizar pozos de reparación

Entre las acciones que permiten estudiar el pozo se pueden señalar:
Identificación del problema y problemas operacionales o mecánicos.
- Identificación del problema, esta se refiere a que se debe mantener un

estricto control de los comportamientos de producción/presión antes y
después de la reparación. Entre los gráficos de control de este tipo de
evaluación, se deben mantener: curvas de declinación, curvas de índices de
productividad, estudios de presión de fondo, registros de producción
(registros de flujo, temperatura). Desde el punto de vista de yacimiento se
debe tener un control sobre la continuidad de la arena, posibles arenas
productoras de agua y/o gas, avances de los frentes de fluidos, zonas de
baja calidad de arena, zonas de baja o alta presión, zonas productoras de
arena, productoras de asfáltenos, entre otras.
Con respectos al método de producción se debe mantener un control

sobre el diseño del mismo, condiciones de producción del pozo (nivel de
fluido, presión fluyente, %AyS, RGP, entre otras), así como del equipo de
producción existente.
- Problemas operacionales o mecánicos: Estos son originados en el pozo

durante la reparación y completación del mismo, debido a las diferentes
condiciones a las cuales es sometido. Entre los que se pueden presentar
durante la reparación, se tiene: pescados, fugas a través del revestidor,
tubería de producción, empacaduras, mandriles, fallas en la cementación y
fallas de los equipos de subsuelo. Otras causas que general la baja
productividad de un pozo son: cañoneo parcial, poca penetración del
cañoneo, cañoneo fuera de sitio, restricciones en la tubería, etc.
34
9. Análisis Económico
Valor Presente Neto (VPN): Corresponde al valor actual de los flujos de
Efectivo Neto (Ingresos - Egresos) determinados para una propuesta
conforme a su horizonte económico.
Para calcular el valor actualizado del flujo efectivo, este se descuenta a

una tasa de interés dada (tasa de descuento). La sumatoria de los flujos de
efectivo descontados, que estructuran la propuesta, constituyen el Valor
Presente Neto.
Desde el punto de vista de la evaluación económica el Valor Presente

Neto corresponde a la diferencia entre el valor de la Inversión, el cual por
definición es un valor actual y la sumatoria de los flujos de efectivo de
operación descontados a una tasa determinada.
VPN = - Inversión + Flujos Descontados
Si el VPN es >= 0 significa que la propuesta satisface desde un punto de

vista económico las exigencias requeridas. Lo anterior significa también que
la inversión (que se genera en el Flujo 0) es recuperada a la tasa establecida
y en el periodo determinado como Horizonte Económico.
Por el contrario, si el VPN es < 0, significa que la sumatoria de los Flujos

de Efectivo descontados a la tasa establecida es insuficiente para recuperar
la inversión en el Horizonte Económico correspondiente. En este caso, la
decisión estrictamente económica debe ser "no invertir".
35
El Valor Presente Neto (ingresos menos egresos) es mayor o igual a cero

(>=), la propuesta es aceptada.
Matemáticamente, el Valor Presente Neto de una serie de flujos se

expresa a través de la siguiente formula:
n FEf
VPN = ∑
i = 0 (1 + i) t
Donde:
VPN = Valor Presente Neto.

n = Ultimo periodo en que se espera un flujo de efectivo.
i = Tasa de descuento
FEt = Flujo de Efectivo para el periodo "t" incluida la inversión.
Flujo de Efectivo Descontado:

Este método conceptualmente consiste en descontar a una tasa de
interés dada (tasa de descuento) los flujos de efectivo (ingresos y egresos)
que genere un programa/proyecto durante un horizonte económico
determinado o establecido para dicho programa/proyecto.
36
10. Campo Oritupano A
10.1. Descripción
El campo Oritupano A se encuentra ubicado en la cuenca Oriental de
Venezuela, en la cuenca de Maturín, dentro del Área Mayor de Oficina.
ORITUPANO D
ANZOATEGUI MONAGAS
BOTE ORITUPANO B
ORITUPANO C
ADRALES
JUNTA
ORITUPANO A
LEONA PELAYO
OESTE
ESTE
ADOBE
LOBO LESTES
LUSTRO
LIBRO
MARACAIB RI
O
CARACAS O
RI
N
SAN TOMÉ O Z
O
C N
O A
E
N
R
E
C
L
A
M
Figura 8. Mapa de ubicación del Campo Oritupano A.
Los niveles productivos corresponden a la Formación Oficina, integrada por

capas de areniscas y arcillitas depositadas en un ambiente marino estuarino
de edad miocena, cuyos reservorios son identificados con letras ordenadas
de tope a base desde las Arenas A hasta las Arenas U.
El estilo estructural predominante en el área, esta conformado por un

homoclinal y dos sistemas de fallas normales con pliegues asociados a estas
fallas. El sistema principal de fallas tienen una orientación preferencial este -
37
oeste y buzamiento al sur, con ángulo de 40 a 45 grados y un salto de la falla

de 130 a 180 pies.
El segundo sistema de fallas normales, el cual es antitético, tiene una

orientación preferencial suroeste - noreste y buzamiento al noroeste, con un
ángulo de 40 a 45 grados.
El entrampamiento en el campo es principalmente de tipo estructural,

aunque se tienen trampas mixtas, estructural - estratigráfico.
10.2. Presión del yacimiento
En las arenas A7 y A8 se tienen registrados RFT en 12 y 11 pozos

respectivamente. La presión original de las A7 y A8 es de 2160 psi y 2165 psi
respectivamente ambos referidos al datum (5100 PBNM). De acuerdo a los
datos de presión, se ha observado agotamiento en la arena A8. Este
agotamiento esta localizado en cierto sector del campo (ORM-119, ORM-
101, ORM-88 y ORM-83) alcanzando valores de hasta 1500 psi. Respecto a
la arena A7, los registros de presión adquiridos están en pozos cuya
localización se encuentra al centro o Este del campo, lo que significa no muy
representativa, desde que la explotación de la arena A7 se ha ubicado al
Oeste.
En la Unidad Hidráulica AB se tienen 21 pozos con RFT y en todas ellas no

se evidencia agotamiento por lo que se infiere un acuífero activo. En la
Unidad Hidráulica EF se tienen 22 pozos con datos de RFT, observando una
ligera disminución de presión en función de la acumulada. En 18 pozos se
tienen registradas información de las arenas intermedias, siendo la arena
KL0 la más registrada. Debido a la poca explotación de este paquete de
arenas, no se ha evidenciado cambios de presión. Los resultados adquiridos
en la Unidad de Explotación LU sugieren fuerte agotamiento en las arenas
38
superiores de LU. En orden de importancia, el nivel de agotamiento se

incrementa de S,R,O,N,P,L,M.
En las arenas intermedias (O,P,R,S) y superiores (L,M,N) el agotamiento y

la interferencia hacen dificultosa la obtención de la gradiente. Esta se estima
en 0.36 psi/pie.
10.3. Características de los Fluidos del Yacimiento

En la arena A7 se tiene identificado un solo pozo (ORM-49) donde se
muestreo en superficie para un análisis recombinado. La presión de burbuja
es de 2218 psi a la temperatura de 186 ºF.
Respecto a la Unidad Hidráulica AB se obtuvieron 3 análisis PVT del tipo

recombinado; ORM-25 (2 muestras de la arena A13) y ORM-27 de la arena
A9. Es posible definir una relación lineal entre el API vs. Profundidad entre
las arenas A9, A13 y B1 como se muestra en la Figura N 12. En la Unidad
Hidráulica EF, se efectuaron análisis de PVT en 2 pozos (ORM-27 y ORM-
40) correspondientes a las arenas E2 y E3 respectivamente. No hay PVT en
ninguna de las arenas intermedias. Solamente se disponen de 2 muestras
PVT en la Unidad de Explotación LU (ORM-80 y ORM-114), ambas
correspondientes a la arena U1. Se tiene planificado continuar con la toma de
muestras de las arenas superiores a fin de verificar las correlaciones
mencionadas.
Como parte de la caracterización de la Unidad de Explotación LU, se

efectuó el análisis geoquímico las cuales involucraron seis(6) muestras de
reservorios individuales en 6 pozos, 22 muestras de producción en conjunto
de 22 pozos y 7 muestras de petróleo residual extraídos de los núcleos, cada
uno representando un reservorio individual (Tabla N 3). Entre las
conclusiones de este estudio son: las muestras en su mayoría son
39
biodegradables. La biodegradación probablemente aún este en actividad. Los

diagramas de estrella muestran que los patrones de las arenas conformantes
de la unidad de explotación LU son muy parecidas y por lo tanto el aporte
segregado de cada arena se hace muy difícil.
10.4. Características de la Roca

Solamente en el pozo ORM-75 se recuperaron muestras de la arena A7 y
A8 los cuales fueron analizados con estudios de petrofísica básica y estudios
integrados.
En la Unidad Hidráulica AB se tomaron 2 núcleos en el ORM-75 (arena A9)

y ORM-82 (arena A13) sobre las cuales se realizaron análisis convencional.
Se tienen muestras de núcleos en los pozos ORM-75 y ORM-76
correspondientes a la Unidad Hidráulica EF. En ellos se han ejecutado un
estudio completo tanto de análisis convencionales como especiales. El único
pozo donde se muestrearon para análisis de núcleo de las arenas
intermedias fue el pozo ORM-77 y esta comprenden únicamente la arena
KL0.
En la Unidad de Explotación LU se han tomado 2 núcleos en los pozos

ORM-78 y ORM-158 correspondientes a las arenas L y R,S,T,U
respectivamente. En el núcleo del pozo ORM-158 se efectuaron los análisis
especiales siguientes: presión capilar, factor de resistividad de formación,
índice de resistividad, mojabilidad por Amott, permeabilidades relativas,
compresibilidad del volumen poroso, sensibilidad a los fluidos de inyección y
susceptibilidad a la inundación por agua, rayos X y palinología.
11. Unidad Hidráulica AB

La categoría de Reservas en cada tipo de actividad se resumen en:
40
Perforación: (1) Probables

Mejoras Extractivas: Probadas desarrolladas en producción.
Workover: (5) Probadas no Desarrolladas
Las correlaciones del Factor de recobro por el Instituto Americano de

Petróleo se muestran en la tabla siguiente:
Datos: UH-AB
Porosidad 28
Soi 85
Bob 1,1459
Permeabilidad 2000
μoil 7
Pb 2050
Pab Gas en sol 800
Pab Emp. Agua 800
Boi 1,14
μagua (Emp. Agua ) 0,1
Mecanismo Factor de Recobro
Empuje de Agua 45,8
Figura 9. Información general Unidad AB.
12. Determinación de la Permeabilidad en el Campo Oritupano A

Relación entre la Porosidad y la Permeabilidad.
Los valores de permeabilidad y las distribuciones de permeabilidades son

determinados de datos de núcleos y correlacionados a zonas ó pozos sin
información de núcleo, a través de clásicas relaciones de porosidad -
permeabilidad, que son frecuentemente desarrolladas estadísticamente de
datos puntuales.
41
En pozos o zonas sin información de núcleo, la permeabilidad es estimada

a través de una relación logarítmica entre φ - K, el cual sigue esta expresión:
log(K) = aφ + b
Donde:
K = permeabilidad (mD)
φ = porosidad (%)
a = pendiente
b = intersección
No hay aparentemente una base teórica para descifrar el gráfico tradicional

del logaritmo decimal de la permeabilidad contra la porosidad, sin embargo,
la permeabilidad es graficada como una función logarítmica porque su
distribución normalmente se representa de esta manera. Esta relación
implica decir que la permeabilidad es directamente proporcional a la
porosidad efectiva y si bien se sabe que en un yacimiento se puede tener
zonas de altos y bajos valores de permeabilidad con mismos valores de
porosidad. Es por ello que otros autores tales como Sturer, Dorfman,
Dubrule y Timur, aseguran que esta clásica aproximación de φ - K es
inadecuada para los modelos alternativos de Simulación de Yacimientos que
han sido propuestos.
La correlación clásica entre permeabilidad y porosidad que se obtuvo para

el Campo Oritupano A no mostró una tendencia muy buena dando un
coeficiente de correlación de 0.4148.
42
CORRELACIÓN K vs. PHI

TOTAL
100000
10000
1000
100
log (K)
10
log (K) = 0,9836e 24,23phi
1 R2 = 0,4148
0,1
0,01
0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45
phi
Figura 10. Correlación Clásica de Permeabilidad - Porosidad (Campo ORITUPANO A)
Para mejorar esta correlación entre la Permeabilidad y Porosidad se utilizó

una nueva metodología descrita primeramente por los señores CARMAN-
KOZENY y modificada luego por los señores AMAEFULE y ALTHUNBAY et
al, el cual se basa en la Definición de Unidades Hidráulicas de Flujo.
12.1. Unidades Hidráulicas de Flujo

Una buena distribución de permeabilidad permite estimar cuántas unidades
de flujo posee un yacimiento. Las unidades de flujo están usualmente
determinadas de datos de núcleo, pero como no todos los pozos poseen
núcleo, una de las técnicas de estimación de la permeabilidad es a través de
correlaciones porosidad - permeabilidad desarrollada con datos de núcleo
como se realizó anteriormente. Desafortunadamente esta aproximación no es
muy buena cuando los yacimientos son muy heterogéneos. Para estos
43
casos, esta técnica nueva basada en la Unidad Hidráulica de Flujo aplica

muy bien.
Una Unidad Hidráulica de Flujo es una secuencia vertical, lateral y

continua de rasgos geológicos y propiedades del yacimiento, ó también es
definida como el volumen representativo elemental (VRE) de una roca total
de yacimiento donde las propiedades petrofísicas y geológicas que afectan al
flujo de fluidos son consistentes internamente pero predictiblemente
diferentes de las propiedades de otro volumen representativo elemental de
roca (VRE).
La calidad de una roca está controlada por la geometría del poro y ésta a
su vez es función de la mineralogía (tipo, abundancia, morfología y
localización relativa del poro, etc.), y de la textura (tamaño del grano, forma,
distribución y empaque, etc.). Varias combinaciones de estos atributos
geológicos frecuentemente indican la existencia de distintas unidades de
roca con atributos similares de poro. Estos atributos geológicos pueden ser
calculados para definir diferentes unidades hidráulicas de flujo, las cuales son
usadas para diseñar modelos de yacimientos.
Las Unidades Hidráulicas de Flujo son frecuentemente definidas como:

a.- Similares Atributos Geológicos de textura, mineralogía, estructuras
sedimentarias y contactos estratigráficos.
b.- Similares Propiedades Petrofísicas de Porosidad, Permeabilidad y

Presión Capilar.
De aquí partió entonces la razón de aplicar correlaciones que incorporen

estos atributos geológicos del poro para una mejor determinación de valores
44
de permeabilidad y luego efectuar su debida distribución areal y vertical en

los yacimientos.
En el trabajo de AMAEFULE y ALTHUNBAY et al, se propusieron estas

definiciones para la identificación y caracterización de Unidades Hidráulicas
de Flujo dentro de las Unidades Geológicas definidas como FACIES. Esta
metodología utiliza datos de núcleo para desarrollar el entendimiento de las
variaciones complejas en la geometría del poro de las diferentes FACIES, así
como también proporciona información de distintos controles
depositacionales y diagenéticos sobre la geometría del poro. Al incluir
propiedades petrofísicas dentro de esta definición se pueden entonces
identificar como Unidades Petrofísicas de Flujo.
La clave para descifrar Unidades Hidráulicas de Flujo y relacionarlas con

valores de porosidad, permeabilidad y presión capilar (Unidades
Petrofísicas de Flujo), es el concepto de radio principal hidráulico (Rph), el
cual se define como:
Rph = (Volumen Abierto para Flujo)/(Área Superficial Mojada)
donde para un tubo capilar :

Rph= r/2
Para definir el concepto del radio principal hidráulico (Rph), los autores
CARMAN-KOZENY, consideraron un bulto de radios capilares dentro de la
roca de yacimiento, partiendo de las Leyes de Poiseuille y Darcy para
desarrollar una relación entre la porosidad, permeabilidad y presión capilar.
45
Las primeras suposiciones en su trabajo fueron:
• Que el tiempo de viaje de un elemento de flujo en un tubo

capilar sea igual a un volumen representativo elemental de roca (VRE) y
que
• La porosidad sea efectiva, llegando a la ecuación:
φe * R ph
K=
2 *τ 2
Donde:
K = Permeabilidad ( μ m2)
Rmh = radio principal hidráulico ( μ m)
φ e = porosidad efectiva (fracción)
τ = factor de Tortuosidad (ctte)
Esta porosidad efectiva está definida como:
φe = φn − φsh * Vsh
Donde:
φ e = porosidad efectiva (fracción)
φ n = porosidad núcleo (fracción)
φ sh = porosidad lutita (fracción)
Vsh = volumen de arcilla (fracción)
46
Después de una serie de modificaciones y artificios matemáticos,

CARMAN-KOZENY y otros autores, llegaron a la siguiente ecuación:
φR
K=
FS * τ * Sgv 2
2
Donde:
φ R = porosidad generalizada (fracción)
Fs = Factor de forma (ctte)
Sgv = Área Superficial por volumen de grano ( μ m)
La ecuación de CARMAN-KOZENY integra los atributos geológicos que

controlan la geometría del poro, definiendo las Unidades Petrofísicas de Flujo
y determinando valores de permeabilidad.
Los trabajos de AMAEFULE y ALTHUNBAY se basaron entonces, en

introducir un único parámetro que incorporara los atributos geológicos de la
textura y la mineralogía en la discriminación de distintas FACIES de
geometría del poro (Unidades Petrofísicas de Flujo). Tal parámetro se llama
Indicador de Zona de Flujo (IZF).
El Indicador de Zona de Flujo (IZF) se define como:
1
IZF =
FS *τ * S gv
Donde:
Fs = Factor de forma (ctte)
47

Sgv = Área Superficial por volumen de grano ( μ m)
Como estos valores geológicos se determinan experimentalmente,

AMAEFULE y ALTHUNBAY et al., definieron el IZF con parámetros
petrofísicos de porosidad y permeabilidad de núcleo, con la finalidad de
determinar valores de permeabilidad en unidades de campo.
El Indicador de Zona de Flujo se definió como:
RQI 0,0314 * K / φ
IZF = =
φz ⎛ φ ⎞
⎜⎜ ⎟⎟
⎝1− φ ⎠
y la permeabilidad como:
K = 1014 * IZF 2 * φR
Donde:
K = permeabilidad (mD)
IZF = Indicador de Zona de Flujo ( μ m)
φ R = porosidad generalizada (fracción)
1014 = Constante de Kozeny
La aplicación de esta técnica en el campo ORITUPANO A permitió

caracterizar sus principales arenas pertenecientes a la Formación Oficina de
acuerdo a sus propiedades petrofísicas con la finalidad de tener un mayor
conocimiento acerca de la calidad de la roca presente en el área,
encontrándose así mejores relaciones entre los valores de porosidad y
48
permeabilidad del anteriormente obtenidos. Para ello se contó con los

estudios convencionales de los núcleos ORM-75 (arenas A-7, A-8, A-9, E-2 y
E-3), ORM-76 (arenas E-2 y E-3), ORM-78 (arenas L-2U y L-2M) y ORM-82
(arenas A-13 y F0).
49
CAPITULO III
MARCO METODOLOGICO
1. Tipo de Investigación
La presente investigación: “Análisis de riesgo e incertidumbre para
proyectos de rehabilitación de pozos en el campo Oritupano-Leona, basados
en el Método de Monte Carlo”, se ubica dentro del marco de los estudios de
campos de tipo descriptiva y evaluativa. Descriptiva, ya que se recogen los
datos en forma directa de la realidad donde se presentan y Evaluativa porque
el objetivo es llevar acabo la aplicación de la metodología mediante procesos
investigativos de fenómenos o hechos que requieren ser modificados.
Las investigaciones descriptivas se basan en la aplicación del análisis de

los datos con los cuales se presentan los fenómenos o hechos de la realidad
que, dada su similitud, es necesario describir sistemáticamente a fin de evitar
un posible error en su manejo.
Las investigaciones evaluativas consisten en medir los resultados de un

programa en razón de los objetivos propuestos para el mismo, con el fin de
tomar decisiones sobre su proyección y programación para un futuro.
2. Diseño de Investigación
El diseño de investigación es cuasi experimental ya que estudia las
relaciones causa – efectos, tiene el control sobre los procedimientos de
recolección de datos (es decir, el cuándo y a quien de la medición); pero no
en condiciones rigurosas de las variables que maneja el investigador en una
situación experimental.
50
3. Población y Muestra
La población tomada para esta investigación la conforman 29 trabajos de
rehabilitación de pozos, en la Unidad Hidráulica AB / Oritupano – A, del
Campo Oritupano-Leona ubicado en el Oriente del país. Este campo esta
siendo explotado por la empresa Petrobras Energía Venezuela, S.A., desde
1994.
MONAGAS
ANZOÁTEGUI
ORITUPANO D
N ORITUPANO E 600/700
BOTE
ORI-209 ORITUPANO C ORITUPANO B
ADRALES ADM-101
LEONA JUNTA
ESTE PELAYOJUNTA 5-2 ORI-166 ORITUPANO A
ADOBE ADJUNTAS
L. OESTE
LESTES
LOBO
LIBRO
LUSTRO
Figura 11. Mapa de Ubicación (Campo ORITUPANO-LEONA)
A la fecha se han perforado 119 pozos desde el año 1974 de los cuales 89
son activos a la fecha. La producción hasta la fecha es de 19662 BPD de
Neta y 151556 BPD de bruta con una gravedad específica promedia del
crudo de 12.2 API.
Los proyectos se han distribuidos verticalmente como se muestra en el

perfil tipo. Los proyectos son:
• Arenas Monocapas A7 y A8
• Unidad Hidráulica AB
• Unidad Hidráulica EF
51
• Arenas Monocapas Intermedias
• Unidad de Explotación LU
Unidad Hidráulica AB
Esta Unidad fue aprobada por el MEM en el año 1997 y lo constituyen las
arenas A9, A13 y B1_3 de la Formación Oficina.
En el estudio el tamaño de la muestra es igual al tamaño de la población

por lo cual se define como población muestral, ya que se utilizó todo el
universo por la importancia que tiene la data histórica de los pozos
rehabilitados en el Campo Oritupano-Leona.
4. Técnica e Instrumento de Recolección de Datos

La recolección de datos ha sido el insumo principal para describir y
analizar los hechos, observaciones ocurridas en la investigación; se utilizo la
técnica de la recopilación de datos estadísticos, cuya finalidad es la de
obtener datos e información a través de documentos escritos y no escritos,
susceptibles de ser utilizados dentro de los propósitos de una investigación
en concreto.
Los documentos utilizados en la investigación estuvieron constituidos por:

- Archivos de los pozos rehabilitados en el campo Oritupano-Leona: Se
utilizaron los registros escritos de los pozos y registro digitales a través de
los sistemas DIMS y WEBDOX (sistemas digitales de información de
pozos).
- Archivos históricos de Producción: Se utilizó OFM (Oilfield Manager) para
realizar los análisis históricos de producción de los pozos.
- Registros eléctricos, análisis de núcleos, pruebas PVT y correlaciones
porosidad-permeabilidad.
52
5. Herramientas de Análisis
La herramienta de análisis que se utilizó en esta investigación estuvo
constituida por el software Crystal Ball. Con esta herramienta se logró
identificar las distribuciones de probabilidades de las diferentes variables y
realizar las simulación del Monte Carlo (propagación de la incertidumbre de
las variables).
6. Procedimientos de la Investigación
6.1. Identificación del modelo

Se utilizo como punto de partida un modelo tradicional donde existen
variables de entradas, un modelo y variables de salida, tal como se ilustra a
continuación:
Variables de Modelo Variable de

Entrada (Información) Salida
A
B
(A+B+C)N E
E=
C DP
Figura 12. Modelo Tradicional de Investigación
Para identificar el modelo de la investigación se utilizaron los conceptos de

CAPEX (Capital Expenditure o Inversión) y OPEX (Operation Expenditure o
Costos de Operación) que definen el costo total de ciclo de vida de un
proyecto.
53
Basados en estas definiciones se determinó que el modelo matemático que

permitirá realizar el análisis de riesgos en los proyectos de rehabilitación de
pozos es el siguiente:
n
⎡ ING j − EGR j ⎤
VPNn = ∑ ⎢ ⎥ − CAPEX
j =1 ⎣ (1 + i) j ⎦
El VPN (Valor Presente Neto) permitirá determinar el riesgos de un

proyecto de rehabilitación, tomando como concepto de riesgo la
“Cuantificación de los posibles resultados por debajo del valor
esperado de un evento”, es decir con este modelo se logrará determinar la
probabilidad de obtener un resultado (variables de decisión) fuera del valor
esperado.
Las variables de entrada del modelo son:

n: Horizonte del proyecto (años)
ING: Ingresos
EGR: Egresos
I: Tasa de descuento
CAPEX: Costos de operación.
Tomando como punto de partida un modelo tradicional, basado en

variables deterministicas, se construyó un modelo cuyas variables de
entradas serán del tipo probabilística, de manera de considerar la
incertidumbre (el rango de posibles valores) asociadas a cada una de ellas,
tal como se muestra a continuación:
54
Variables de Entrada Modelo Variable de Salida

(Información) (Variable de Decisión)
Horizonte del
“ n”
proyecto (años)
Inversión “CAPEX”
inicial n
⎡INGj − EGRj ⎤ K
Ingresos
“INGJ.” VPNn = ∑⎢
j=1 ⎣ (1+ i) j
⎥ − CAPEX
⎦
VPN
Egresos “EGRJ.”
Tasa de “i ” PROB.(VPN>K)
descuento PROB.(VPN < K)
Figura 13. Modelo Probabilístico.
El esquema muestra la existencia de incertidumbres en las variables de

entradas, propagación de la incertidumbre a la través del modelo
matemático, esta propagación se logra con la simulación del método de
Monte Carlo, para obtener finalmente la variable de salida (variable de
decisión) que permitirá determinar el riesgo del modelo, en este caso los
proyectos de rehabilitación de pozos en el Campo Oritupano-Leona.
6.2 Identificación de las variables de entrada

Los modelos mas conocidos para cuantificar la incertidumbre asociada a
una variable son las distribuciones probabilísticas. En esta etapa se propone
encontrar la distribución de probabilidades que mejor representan cada una
de las variables de entrada al modelo.
Como se describió anteriormente las variables de entrada son: n (horizonte

del proyecto, años), ING (Ingresos), EGR (Egresos), i (Tasa de descuento) y
55
CAPEX (Costos de operación). A continuación se describirá la metodología

utilizada para caracterizar en forma probabilística cada una de las variables
mencionadas.
6.2.1 Horizonte del proyecto

El Horizonte del proyecto se fijó en 10 años contados desde la actualidad
hasta la culminación del contrato de explotación que mantiene la empresa
Petrobras Energía con PDVSA en el año 2013.
6.2.2 Inversión Inicial

Para el cálculo de la inversión inicial o costo de operaciones (CAPEX) se
hizo un estudio estadístico del costo de los trabajos de rehabilitación.
Inicialmente se determino el tiempo de ejecución de cada trabajo de
reparación ejecutado en el área, con los tiempos operaciones se calculo el
equivalente del mismo en valores de inversión y se determino los costo de
materiales y servicios, para obtener finalmente los costos total de las
operaciones. Con este costo por pozo se obtuvo una base de datos para los
29 pozos completados en la unidad AB / Oritupano – A pertenecientes al
Campo Oritupano-Leona. Una vez construida la base de datos se determinó
la distribución de probabilidad de esta variable, haciendo uso del software
Crystal Ball, encontrando la curva que represente el mejor comportamiento
de la data (Tabla 1).
6.2.3 Ingresos
Los ingresos (ING) estarán asociados al cálculo de la tasa inicial de
producción (Qo) de cada pozo, y al precio por barril producido según lo
establecido en las condiciones del contrato PDVSA – Petrobras Energía
Venezuela.
56
El valor de la tasa inicial de producción (Qo) fue basado en el cálculo de

una tasa preliminar de producción (Qop) y ajustado por un porcentaje de
error (% Error). Para la estimación preliminar de la tasa de producción inicial
por pozo se utilizo la ecuación de Darcy para flujo radial:
0.0078 ⋅ ANP ⋅ K ⋅ (Pe − Pwf )

Q 0p =
⎛ ⎛ Rd ⎞ ⎞
μ ⋅ Bo ⋅ ⎜⎜ ln⎜⎜ ⎟⎟ + s ⎟⎟
⎝ ⎝ Rpozo ⎠ ⎠
Donde:
ANP: Espesor de la arena neta petrolífera (pies)
K: Permeabilidad (mD)
Pe: Presión estática del yacimiento (lpc)
µ: Viscosidad del petróleo (cP)
Bo: factor volumétrico de petróleo (Adimensional)
Rd: Radio de drenaje(pies)
Rpozo: Radio del pozo (pies)
s: Factor de daño (Adimensional)
Qop: Tasa preliminar de producción a producir (Bls)
Para el cálculo de la tasa preliminar de producción se realizo un estudio

estadístico de cada una de las variables anteriormente mostradas, en la
Unidad AB / Oritupano A, del Campo Oritupano - Leona. Tomando la
información de los 74 pozos perforados en el área de manera de obtener una
base de datos confiable.
57
El ANP (espesor de la arena petrolífera) se obtuvo del análisis petrofìsico y

registros de los pozos del área (Tabla 2). La data de viscosidad (µ) (Tabla 3)
y factor Volumétrico del Petróleo (Bo), se obtuvo de 3 análisis PVT realizados
a crudos del área siendo este de 1,14 By/Bn. Los valores de Permeabilidad
se derivaron de la correlación porosidad-permeabilidad realizada por cada
una de las arena para la Unidad Hidráulica AB y de información de análisis
de núcleos existentes (Tabla 4). El factor de daño se obtuvo de pruebas
Build-up realizadas en pozos vecinos, resultando este en valores
comprendidos entre 2 a 4. La presión estática del yacimiento fue tomada de
data de mas de 21 registros (RFT, FMT y MDT) realizados en pozos del área
(Tabla 5).
El radio considerado para los pozos es de 4-1/4 pulg equivalentes a 0,3542

pies y como radio de drenaje de 200 mts que equivalen a 656,2 pies.
Se realizó un análisis estadístico construyendo una base de datos para

cada variable, las cuales fueron sometidas a un proceso de simulación a
través del software Crystal Ball obteniendo el comportamiento de frecuencia
probabilística que mejor se ajusta a las variables en estudio. Con cada una
de estas distribuciones se realizo la simulación del Método Monte Carlo
obteniendo una curva de frecuencia para el caudal preliminar de producción
(Qop), tal como se ilustra en la siguiente figura:
58
ANP RFT
Permeabilidad 160.00 193.75 227.50 261.25 295.00 1,700.00 1,850.00 2,000.00 2,150.00 2,300.00
Pwf
298.00 339.50 381.00 422.50 464.00
0.0078 ⋅ ANP ⋅ K ⋅ (Pe − Pwf )

650.00 662.50 675.00 687.50 700.00
Q 0p =
⎛ ⎛ Rd ⎞ ⎞
μ ⋅ Bo ⋅ ⎜⎜ ln⎜⎜ ⎟⎟ + s ⎟⎟
Viscosidad
⎝ ⎝ Rpozo ⎠ ⎠
Skin
Bo
220.00 225.00 230.00 235.00 240.00
-3.00 -1.50 0.00 1.50 3.00

1.06 1.06 1.07 1.07 1.07
Caudal preliminar de producción “Q0p” (Bls/dia)

.10
.07
.05
.02
.00
100.0 300.0 500.0 700.0 900.0
Figura 14. Esquema Caudal Preliminar de Producción
Con el objetivo de disminuir la incertidumbre en el cálculo de producción

inicial de los pozos se realizó un análisis histórico para determinar la
variación entre la producción estimada y la producción real de los pozos. Con
estas variaciones se determinó el porcentaje de error histórico por pozo, con
la formula que se muestra a continuación:
59
Qreal - Qestimado
%Error = • 100
Qestimado
Conocido el porcentaje de error por pozo se construyó una curva de

distribución de frecuencia del mismo. Con esta distribución del porcentaje
de error obtenida se calculó la producción inicial (Qo) con la siguiente
relación:
1
Qo = Qop • (1 + %Error ) •
100
Donde:
Qo: Caudal de producción inicial (BPD)
Qop: Caudal preliminar de producción inicial (BPD)
% Error: Porcentaje de error histórico
6.2.4 Declinación de Producción

La declinación de producción en la Unidad AB del Campo Oritupano A es
exponencial, con una velocidad de declinación de 0,14056 Anual, como se
muestra en la siguiente grafica semi-logarítmica de la Producción vs tiempo:
60
Figura 15. Declinación de Producción (Campo Oritupano A)
En base a esta declinación y a la curva de frecuencia para el caudal de

producción por pozo (Qo) se determinó la producción que se tendría
anualmente en un horizonte económico de 10 años.
A partir de esta distribución y el precio por barril establecido en las

condiciones del contrato se obtiene una distribución de ingresos
probabilística para el horizonte económico establecido, que se utilizó en el
cálculo del Valor Presente Neto.
6.2.5 Egresos
Los egresos (EGR) vienen determinados por todos los gastos asociados a
la producción de un barril de petróleo. Esta data fue tomada de los gastos
efectuados en los 29 pozos rehabilitados la Unidad AB / Oritupano A campo
Oritupano-Leona los cuales equivalen a aproximadamente 2,1 $/Bls
producido y obteniendo una distribución de frecuencia de los mismos durante
el horizonte económico (10 años).
61
6.2.6 Tasa de Descuento

Para efectos de calculo del Valor Presente Neto (VPN) se utilizó como tasa
de descuento el 10 % de los flujos de efectivo (ingresos y egresos) que
genere el proyecto durante un horizonte económico establecido, para este
caso particular 10 años.
6.3 Calculo del Valor Presente Neto (Variable de Salida)

Con las distribuciones de frecuencia de cada variable de entrada, tal como
se describió en la Figura 13 y aplicando el modelo matemático se obtuvo una
distribución de frecuencia para el Valor Presente Neto (VPN), la cual
permitirá determinar la probabilidad de obtener un resultado (variables de
decisión) fuera del valor esperado para cada pozo candidato a reparación en
la Unidad AB/Oritupano – A del campo Oritupano-Leona.
Con esta curva de frecuencias se realizaron sensibilidades para analizar

al grado de influencia de cada parámetro en la determinación de la curva de
VPN y de esta manera analizar las variables que permitirán mitigar el riesgo
obtenido.
62
CONCLUSIONES
Con el modelo de riesgo establecido para los proyectos de rehabilitación en

la Unidad Hidráulica AB / Campo Oritupano A, se puede determinar el riesgo
existente en la ejecución de cualquier proyecto de este tipo en el área.
El riesgo en los proyectos de rehabilitación de pozos en la Unidad Hidráulica

AB / Campo Oritupano A se considera bajo (13,9%), por lo tanto es un
excelente proyecto de explotación ya que representa rentabilidad.
Para que la reparación de un pozo en la Unidad Hidráulica AB / Campo

Oritupano A presente bajo riesgo económico, debe presentar potenciales de
producción mayores a 100 BPD, ya que por debajo de este valor el
porcentaje de riesgo alcanza valores mayores de 50%.
Es importante considerar distribuciones de probabilidades que se ajusten a la

data estadística y consideren todo el rango de valores, como el caso del
calculo de error histórico en las estimaciones de potencial de producción de
los pozos pertenecientes a la Unidad Hidráulica AB / Campo Oritupano A.
La simulación de la ecuación de Darcy, a través del método de Monte Carlo

utilizando como variables distribuciones de probabilidad, representó una
buena aproximación para el cálculo de caudal de producción de los pozos de
la Unidad Hidráulica AB / Campo Oritupano A y un buen acercamiento a la
realidad del yacimiento.
Es importante corregir la data calculada a través de formulaciones teóricas

con un porcentaje de ajuste (% Error), dado por la opinión de un experto o
información estadística.
79
El propósito fundamental de un análisis de riesgos es soportar el proceso de

toma de decisiones, donde las decisiones considerando el riesgo son
basadas en hechos, experiencias y datos duro, y considera la
“incertidumbre” de las variables.
Los cálculos probabilísticos se basa en la variabilidad del sistema, por ello no

son reducible a través de estudios y mediciones, si no que ayudan a conocer
la diversidad en los valores de las variables y por lo tanto identificar el rango
de incertidumbre que presenta un sistema.
Con base en los càlculos probabilisticos podemos jerarquizar los proyectos y

discriminar unos ante otros con factor de riesgo menor y asì obtener ahorros
en tiempo y dinero no desperdiciado en proyectos poco rentables.
80
RECOMENDACIONES
Buscar acciones para mitigar el riesgo de los proyectos, realizando estudios

de sensibilidad para definir que parámetros que deben optimizarse de
manera de incrementar la rentabilidad.
Realizar este tipo de análisis para otros proyectos del Campo Oritupano-
Leona, es decir, en la perforación de nuevas localizaciones, para campañas
de estimulaciones a pozos, re-entradas, entre otros, para medir el riesgo y
mejorar la toma de decisiones de inversión.
Consolidar bases de datos que puedan utilizarse para realizar análisis

probabilísticos, ya que mientras mayor sea la muestra para el estudio de una
variable mejor será el ajuste de distribución a la misma y más exactos serán
los resultados.
No apartar de los análisis probabilísticos la opinión y experiencia del equipo

ingenieril (yacimientos, producción y operaciones), ya que este tiene la
experiencia necesaria para realizar ciertas consideraciones dentro de los
cálculos probabilísticos.
Utilizar para la estimación del potencial de producción de los pozos la

ecuación de Darcy, donde previamente se realice un estudio probabilístico de
las variables involucradas.
81
82
BIBLIOGRAFÍA
• BARBERÍÍ, E (1998). El Pozo Ilustrado. FONCIED – Caracas
• BESTERFIELD, Dale H (1995). Control de Calidad Prentice Hall –

México
• FASSIHI, S. BP Amoco, J. Blinten, S. Riis, T. SPE, los César Petróleo

Sistemas (1999). Riesgo de la Dirección para el Desarrollo Perpestivo
de un Costanero en Rusia.
• HARDY (2000), Las Distribuciones Probabilísticas Modulo IV

(traducido por Pineda Tapia) - Estados Unidos.
• HILLER, F (1993). Investigación de Operaciones. Mc Graw - Hill –

México.
• MARTÍNEZ, A (1984). Diccionario del Petróleo Venezolano Corpozulia

Maracaibo.
• MANUAL de PDVSA (1999), Análisis de Tiempos de Construcción y

Rehabilitación de Pozos PDVSA- Venezuela.
• MENDEN. W (1996), Probabilidad y Estadística. Cuarta edición, Mc

Graw Hill – México.
• SAMPIERI C, HERNANDEZ R. y otros (1994). Metodología de la

Investigación. Tercera edición, Editorial Mc Graw Hill.
82
• TAMAYO y TAMAYO MARIO (1992), Procedimientos de la

Investigación. Cuarta edición, Editorial Limusa – México.
• WADDELL, K, SPE, Halliburton Energy Services, Inc. (1999), Determinar

el Riesgo Aplicando la Tecnología Multilateral: Ganando una Buena
Comprensión - Venezuela.
• WARMWRIGHT, C Y TERRY, H. (2000). Manual Crystal Ball, – Estados

Unidos.
• WERCKMAN (2000), Probabilidad y Estadística Aplicada – Estados

Unidos.
• L.P. DAKE, Fundamentals of Reservoir Engineering. Quinta Edición,

Elsevier Scientific Publishing Company – Netherlands.
• B.C. CRAFT Y M.F. HAWKINS, Jr., Ingeniería Aplicada de Yacimientos

Petroliferos, Editorial Tecnos – Madrid.
FUENTES ELECTRÓNICAS
• EQE INTERNACIONAL (2000), ANÁLISIS DE RIESGO. [Documento en

línea] Disponible: http://www.intranet.pdvsa.com/
• EXCELENCIA UNIVERSITARIA (1999) [Libro en línea]. Modelos

Probabilísticos de Monte Carlo; Disponible: More: www.utdt.edu
[Consulta; 26 de julio de 2001].
83
84

Análisis de Riesgo e Incertidumbre para Rehabiitacion de Pozos

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Análisis de Riesgo e Incertidumbre para Rehabiitacion de Pozos

Uploaded by

Copyright:

Available Formats

REPUBLICA BOLIVARIANA DE VENEZUELA

UNIVERSIDAD DEL ZULIA

ANÁLISIS DE RIESGO E INCERTIDUMBRE PARA

Autor: Ing. Ochoa, Alberto

Maracaibo, Septiembre de 2003

A todas las personas que me apoyaron

A Dios, infinitas gracias por dirigir mi vida, guiarme en el camino y cargarme

A María Karla, quién representó el apoyo fundamental en mi trabajo y me

A el Ing. Americo Perozo, Ing. Sara Sánchez, mi respeto y eterno

A Petrobras Energía Venezuela., gracias por darme la oportunidad de

CAPITULO II MARCO TEORICO

6.2.Opciones para decidir en presencia de Incertidumbre………...… 28

10.2.Presión del yacimiento………………………………………….…… 38

CAPITULO III MARCO METODOLOGICO

CAPITULO IV ANALISIS DE RESULTADOS

2.5.Porcentaje de Error (% Error)………………………………………... 69

The objective of this project is to design a methodology based on a

Figura 24. Caudal de producción por pozo durante el horizonte

La optimización de la producción de los hidrocarburos y el conocimiento

La reparación de pozos se concentra cada vez mas en garantizar su

La planificación de un pozo que proporciona un 99% de probabilidad de

Con el fin de definir una metodología de análisis de riesgos para

de lograr una jerarquización de los proyectos de reparación según su

El análisis de riesgo como herramienta para el estudio de pozos y

El área de estudio fueron los pozos pertenecientes a la Unidad Hidráulica

En el primer capitulo de este informe se presenta la formulación de la

Es importante resaltar que la presencia de incertidumbre en los cálculos

1.1. OBJETIVO GENERAL

Considerando como área de estudio los pozos rehabilitados en la Unidad

1.2. OBJETIVOS ESPECIFICOS

- Identificar cada una de las variables de entrada que intervienen en el

- Caracterizar en forma probabilística cada una de las variables entrada de

- Diseñar un criterio que permita evaluar las variables de salida con

- Realizar análisis estadístico de los costos operacionales que intervienen en

- Realizar análisis estadístico de las variables a nivel de yacimiento y

- Definir modelos para evaluar la declinación del yacimiento, parámetros

- Realizar simulaciones del Método de Monte Carlo con las variables de

- Diseñar un modelo que permita jerarquizar los proyectos según su factor de

Los pilares técnicos fundamentales de la “Gerencia de Activos” son la

Un profesional en la gerencia de activo es una pieza que permite introducir

La gerencia integral de activos demanda una evolución desde

Kevin K. Waddell, SPE (1999), Realizó una Investigación denominada

una Buena Comprensión”, las herramientas que se utilizaron se basaron en

- Una porción del árbol de decisión que describe el proceso de una

Se llegó a la conclusión que el modelo de Análisis de Riesgo Cuantitativo

El modelo también puede usarse como una herramienta educativa para

M. R. Fassihi, SPE, BP Amoco, J. S. Blinten, SPE, y T. Riis, SPE (1999),

- Cuantificar las incertidumbres y su impacto global en la economía de

El programa de evaluación de proyectos totalmente integrado (PetroVR)

técnicos. Finalmente, en el tercer caso, sólo las condiciones comerciales

En conclusión el programa técnico y económico totalmente unido Petro

Si el evento “a” es muy frecuente => probabilidad de “a” (p(a)) es alta

La Probabilidad tiene un papel esencial en la aplicación de la inferencia

1.1. Tipos de Probabilidad

- Probabilidad con Frecuencia Relativa

2.1. Características de Modelos Probabilísticos

Todos los modelos Probabilísticos tienen las siguientes características:

- La suma de las probabilidades que integran los elementos del espacio

2.2. Tipos de Distribución de Probabilidades

- Distribuciones no paramétricas o histogramas.

2.2.1. Distribuciones No Paramétricas o Histogramas de Frecuencia

2.2.2. Distribuciones Paramétricas

XM =MODA (valor de la variable con