Simulación Probabilística
Índice
Estadística descriptiva
Funciones de distribución
Regresiones
Modelos matemáticos
Simulación MonteCarlo
Selección de Portafolio
Probabilidades
9 recuperadas
Núcleos de pared
3 no
recuperadas
Probabilidad Condicional
Teorema de Bayes
Teorema Central del Límite
Ley de los Grandes números
Números aleatorios
• Rand(): 1 número aleatorio entre 0 y 1.
• Análisis de datos:
Números aleatorios
• Randarray(): Crea una matriz de números
aleatorios.
Histogramas
• Función
Frequency
• Análisis de datos
Histogramas
• Gráficos
estadísticos
Histogramas
Estadística descriptiva
• Medidas centrales
• Medidas de dispersión
Índice
Estadística descriptiva
Funciones de distribución
Regresiones
Modelos matemáticos
Simulación MonteCarlo
Selección de Portafolio
Funciones continuas y discretas
Variables discretas Variables continuas
• Arenas completadas por • Caudal inicial de un pozo
pozo • Tasa de declinación
• Densidad de fracturas inicial de un pozo
• Cantidad de pozos secos • Precio del petróleo
• Evento de pozo seco • Costo anual de
(0/1) mantenimiento
• Porosidad, área, arena
neta, saturación de agua
Funciones de Distribución
Si x < mode
Si x > mode
Función Triangular
Public Function TRIANGINV(probabilidad As Double, minimo As Double, moda As Double, maximo
As Double) As Double
If probabilidad < ((moda - minimo) / (maximo - minimo)) Then
TRIANGINV = Sqr(probabilidad * (maximo - minimo) * (moda - minimo)) + minimo
Else
TRIANGINV = maximo - Sqr((1 - probabilidad) * (maximo - minimo) * (maximo - moda))
End If
End Function
Distribución normal
Ejemplo: La porosidad de una formación esta normalmente
distribuida con media de 15% y desviación estándar de
3%. Que porcentaje de la porosidad será mayor a 21%?
Que porcentaje de la porosidad cae entre 10% y 20%?
Solución:
1) z = (0.21-0.15)/0.03 = 2
P(z<2.0) = 0.97725 => P(z>2.0) = 1 - 0.97725 < 3%
2) z = (0.1-0.15)/0.03 = -1.67 y z = (0.2-0.15)/0.03 = 1.67
P(z<1.67) = 0.9525 => P(z<-1.67) = 1 - 0.9525 = 0.0475
P(-1.67<z<1.67) = 0.9525 – 0.0475 = 0.9050
Distribución
Normal
• [Link]()
• Análisis de datos:
Distribución triangular
Ejemplo: El espesor de arena total de una formación tiene
una distribución triangular con mínimo de 40 ft, moda de 80
ft y máximo de 160 ft. Que porcentaje de espesor será
mayor a 120 ft? Que porcentaje del espesor esta entre 60
y 120 ft?
Solución:
P(x<60)=(60-40)2/((160-40)(80-40))=0.083
P(x<120)=1-(160-120)2/((160-40)(160-80))=0.83
Distribución Binomial
• 1 Moneda
– C, S
• 2 Monedas
•
– CC, CS, SC, SS
3 Monedas
$
– CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS
P(C=2) = 3/8
• 1 Dado
– 1, 2, 3, 4, 5, 6 ●
• 2 Dados
– 11, 12, 13, 14, 15, 16, 21, 22, 23,..., 64, 65, 66
P(1=2) = 1/36
n! = 1*2*3*…*n
0! = 1
C(n,x) = n!/(x*(n-x)!)
Distribución Binomial
n! = 1*2*3*…*n
0! = 1
C(n,x) = n! .
(x*(n-x)!)
Triangulo de Pascal - Coeficientes del binomio de Newton (a+b)n
B(x,n,p) = C(n,x)px(1-p)n-x
Promedio de B = np
Varianza de B = np(1-p)
Distribución Binomial
Ejemplo: El éxito histórico de pozos exploratorios en la
cuenca Williston ha sido de 1/6. Cuantos pozos deben ser
perforados para que la chance de tener al menos 1 éxito
sea mayor a 66%.
Pozos C(n,x) px(1-p)n-x C(n,x)*px(1-p)n-x B-éxito B-fracaso B-acum-éxito B-acum fracaso
0 1 0.33490 33.490% 33.490% 0.002% 33.490% 0.002%
1 6 0.06698 40.188% 40.188% 0.064% 73.678% 0.066%
2 15 0.01340 20.094% 20.094% 0.804% 93.771% 0.870%
3 20 0.00268 5.358% 5.358% 5.358% 99.130% 6.229%
4 15 0.00054 0.804% 0.804% 20.094% 99.934% 26.322%
5 6 0.00011 0.064% 0.064% 40.188% 99.998% 66.510%
6 1 0.00002 0.002% 0.002% 33.490% 100% 100%
100% 100% 100%
Distribución Binomial
Distribución Binomial
Distribución Lognormal
Es la mas común en los cálculos de volúmenes y
reservas de hidrocarburos. Curva que describe
variables sesgadas a la derecha. Generalmente
variables que son producto de otras variables.
Variables con distribución Lognormal:
•Área de drenaje
•Espesor
•Reservas
•Recuperación
Índice
Estadística descriptiva
Funciones de distribución
Regresiones
Modelos matemáticos
Simulación MonteCarlo
Selección de Portafolio
Regresión Lineal
F(Xi) = o + 1 X1i 1 = efecto de X1 en Y
Coeficientes de regresión
´Valores fijos pero desconocidos´
Análisis de regresión lineal
La linealidad se refiere a los parámetros
Y= a+bx
Lineal
Y= a+b lnx
Y= Aebx
No lineal
Y= 1/ (A+Bx)
Metodología
Formulación problema
(teórica)
Modelo Matemático
Recolección datos
Estimación parámetros
Inferencia
no
Modelo adecuado
si
Pronóstico
Consumo
o + 1 X1i
2 + 3 X1i
80 100 120 140 Ingreso
Dos ecuaciones: ¿Cuál elegimos? ¿Será
posible determinar la FRP a partir de una muestra?
Se debe definir algun criterio
min e
min e = min (Yi-Ŷi) = min (Yi - ( ˆo + ˆ 1Xi)) =
2 2 2
i
min f(ˆ 0, ˆ 1, Xi)
ˆ 0, ˆ1 talque ei2 sea mínimo
Determinar
¿ Cómo ?
f f
= =0
ˆ 0 ˆ 1
Yi - ( ˆ 0 − ˆ 1Xi) = 0
(Yi - ( ˆ 0 − ˆ 1Xi) )Xi = 0
Nˆ 0 + ˆ1 Xi = Yi
ˆ 0 Xi
Xi + ˆ1 2
= XiYi
Ecuaciones Normales
N Xi ˆ 0 Yi
2 ˆ
=
Xi Xi 1 YiXi
(Xi - X )(Yi - Y )
ˆ 1 =
(Xi - X)
ˆ 0 = Y - ˆ 1X
PROPIEDADES
1)
Yi - ( ˆ 0 − ˆ 1Xi) = 0
ei
Yi - Ŷi = 0 ei = 0 =0
N
Promedio de los errores es 0
2) La recta de regresión pasa por Ymedio y X medio
3)
4)
Xiei = 0 Residuos no correlacionados
Xi
con
eiŶi = 0 Ŷ i
Por lo pronto, se demuestra que:
E( ˆi) = i
var(ˆi) = 2
(Xi- X)
2
Xi
2
var(ˆ 0) = 2
2
N (Xi- X)
Pero: var (Ui |Xi) = E (Ui ²) = ² = constante= desconocida =>
Estimación:
ei Suma de residuos al cuadrado
2
ˆ =
2
=
N-2 grados de libertad
Número de parámetros estimados
dato FRM
^
Yi- Yi
Yi - Y
^ -
Yi Y
Y
Xi
(Yi- Y) = (Yi- Ŷi) + (Ŷi - Y)
(Yi- Y) = (Yi- Ŷi) + (Ŷi - Y)
Desviación Debido a Desviación Explicada
Total con respecto Residuo Por Regresión
Al promedio
(Yi - Y) = ((Yi - Ŷi) + (Ŷi - Y))
2 2
(Yi - Y) = (Yi - Ŷi) + (Ŷi - Y)
2 2 2
Suma Total Suma residual Suma explicada
Al cuadrado Al cuadrado por regresión al
al cuadrado
STC = SRC + SEC
STC SRC + SEC
=
STC STC
SEC SRC
1= + =
STC STC
(Ŷi - Y)
2
(ei)
2
+
(Yi- Y) (Yi- Y)
2 2
Coeficiente de determinación R²
Si Ŷi = Y R = 0 2
Si Ŷi = Yi R = 1 2
SIN KIN G KON G
C or r elation: r = .40450
9.5
8.5 VAR1 VAR2
7.5 2.000 1.000
6.5
5.5
5.000 4.000
VAR6
4.5 7.000 2.000
3.5 8.000 3.000
2.5
1.5
9.000 1.000
0.5 10.000
R egr es s ion 5.000
1 3 5 7 9 11 95% c onfid.
VAR 5
Regresión
• Análisis de datos
Análisis de la Varianza
SUMMARY OUTPUT
Regression Statistics
Multiple R 0.709936652
R Square 0.504010049
Adjusted R Square 0.484098044
Standard Error 5.993423437
Observations 286
ANOVA
df SS MS F Significance F
Regression 11 10001.53835 909.2307594 25.31186794 7.76184E-36
Residual 274 9842.388111 35.92112449
Total 285 19843.92646
Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower 95.0% Upper 95.0%
Intercept 40.49172894 5.893987539 6.870005862 4.31056E-11 28.88847363 52.09498426 28.88847363 52.09498426
RHOB -16.1628793 2.191751775 -7.37441141 1.96517E-12 -20.47769253 -11.84806606 -20.47769253 -11.84806606
NPHI 21.17471286 7.021063284 3.015884062 0.002802815 7.352629022 34.99679669 7.352629022 34.99679669
GR 0.008218749 0.029222767 0.281244713 0.778734981 -0.049310932 0.06574843 -0.049310932 0.06574843
AHT10 -0.075103713 1.184820702 -0.063388251 0.94950356 -2.407612395 2.25740497 -2.407612395 2.25740497
AHT20 0.45980852 1.970499645 0.233346157 0.81566685 -3.419434579 4.33905162 -3.419434579 4.33905162
AHT30 -2.221377502 3.110539006 -0.714145522 0.475745114 -8.344970067 3.902215062 -8.344970067 3.902215062
AHT60 2.812700088 2.255098562 1.247262597 0.213366248 -1.626821409 7.252221585 -1.626821409 7.252221585
AHT90 -4.334270321 1.408792801 -3.07658466 0.0023058 -7.107703833 -1.560836808 -7.107703833 -1.560836808
AHTRT 3.753346298 0.946532351 3.965365042 9.3593E-05 1.88994627 5.616746325 1.88994627 5.616746325
AHTRX 0.586784825 0.679033006 0.864147722 0.388262601 -0.750000039 1.923569689 -0.750000039 1.923569689
SP -0.1005888 0.032877245 -3.059526396 0.002436571 -0.165312905 -0.035864694 -0.165312905 -0.035864694
Análisis de Sensibilidad
Diagrama de Tornado
Índice
Estadística descriptiva
Funciones de distribución
Regresiones
Modelos matemáticos
Simulación MonteCarlo
Selección de Portafolio
Árbol de Decisión
Árbol de decisión complejo -
Exploración
Suma Determinística
Modelos Determinísticos
Escenarios
Simulación Montecarlo
• Correlación de
variables, variables
dependientes
• Modelo
Riesgo
• Geológicos
– Trampa
– Roca madre
– Maduración
– Migración y timing
– Roca reservorio
– Sello
– Productividad
• Perforación
– Agarre de cañería
– Blowout
– Perdida de circulación, etc
Incertidumbre
Shale Gas Naturalmente Fracturado
• Área • Espaciamiento de las
• Net pay fracturas
• Contenido de gas • Almacenaje y capacidad
• Densidad de reemplazo matriz-
fractura
• Factor de recobro
• Depleción de fracturas
Producción • Saturación de agua
• Productividad de los
pozos
• Tasa de declinación
inicial
• Precio del crudo
Variables de Decisión
• Número de pozos o área de drenaje
• Caudal de abandono
• Sistema de producción
• Completación (fracturamiento, ácido, etc.)
• Caudal de inyección
• Tamaño de las instalaciones
Pronostico Probabilístico
Factores Geológicos
Riesgo Geológico
Reservas Probabilísticas
Distribución
Reservas
Reservas Portafolio
ETAPA 1: ETAPA 2: ETAPA 3:
CUANTIFICACIÓN DE LA PROPAGACIÓN DE LA CUANTIFICACIÓN DE LA
INCERTIDUMBRE O CARACTERIZACIÓN INCERTIDUMBRE POR INCERTIDUMBRE
PROBABILISTICA DE LAS RESERVAS DE AGREGACIÓN DE ASOCIADA A LA RESERVA
LOS PROYECTOS RESERVAS DEL PORTAFOLIO
Distribución con/sin Riesgo
Índice
Estadística descriptiva
Funciones de distribución
Regresiones
Modelos matemáticos
Simulación MonteCarlo
Selección de Portafolio
Gestión de Portafolio
PhD. Harry Markowitz,
Premio Nobel en
economía - 1990 - por
sus investigaciones
sobre selección de
Portafolios.
Riesgo Sistemático
Covarianza entre Activos
Evaluación de Portafolio
Toma de Decisiones
Retorno
Frontera Eficiente
Iso-Utilidad
Opción Elegida
VPNe
Aversión al
Riesgo
Riesgo