Incertidumbre, riesgo y

anlisis de decisiones
Contenido

Introduccin

Descripcin de incertidumbre
Distribuciones de probabilidad
Caractersticas de las distribuciones
Probabilidad acumulada
Distribuciones continuas y discretas
Distribucin Normal
Distribucin Lognormal

2
Contenido (continuacin)
Manejo de incertidumbre
Reality checks
Regla de Swanson
Concepto de diagrama de tornado
Conceptos de rboles de decisin
Simulacin Monte Carlo
Combinacin de distribuciones (consolidaciones estocsticas)
Anlisis de incertidumbre
Riesgo
Monte Carlo vs rboles de Decisin
Anlisis de decisin
Teora de portafolios

3
Introduccin
Introduccin

Descripcin de incertidumbre
Las tres categoras de anlisis:
Anlisis de sensibilidad
Anlisis de decisiones
Anlisis de riesgo
El tema fundamental es incertidumbre:
Qu tan importante es?
Qu tanto afecta en la toma de decisiones?
Qu impacto tiene?
Cada una de estas categoras puede hacer uso de diferentes herramientas
Las preguntas formuladas en cada etapa del anlisis tienden a ser diferentes

5
 Anlisis de sensibilidad

Cul es el valor de un proyecto

afectado por incertidumbre?
Es aceptable el rango de posibles
resultados?
Qu incertidumbres son ms
significativas?
Es importante tratar de refinar las
estimaciones de las variables
ms significativas?

6
Anlisis de decisiones

Se debe perforar, vender o realizar estudios ssmicos?

Es probable que el costo de agregar un compresor sea recuperado?
Cul estrategia de desarrollo pagar la inversin ms rpidamente?
Deben cambiar nuestras decisiones si cambiamos nuestra medida del
valor?
Vale la pena obtener informacin ssmica?

7
Anlisis de riesgo

Cmo se ve el perfil de riesgo

para cada proyecto?

Cul es la probabilidad de
perder dinero?

Deberamos sorprendernos
de los resultados de este
proyecto?

Qu medida de riesgo tiene

ms sentido para
nosotros?

8
Descripcin de la incertidumbre
Descripcin de la incertidumbre

Rangos de incertidumbre

La incertidumbre es descrita por rangos

Los puntos o valores dentro del rango no necesariamente tienen la

misma probabilidad de ocurrencia

Esas diferencias en probabilidades pueden ser descritas mediante

funciones de distribucin de probabilidad

10
Descripcin de la incertidumbre
Probabilidad

Todos estn familiarizados con conceptos de probabilidad:

Al lanzar una moneda, hay 50 por ciento de
probabilidad de obtener sol
Cuando se lanza un dado, existe 1 en 6 de
probabilidad (16.6667 por ciento) de obtener un 4
Toda la evaluacin de incertidumbre, anlisis de riesgo y
de decisin se basa en este concepto

11
Descripcin de la incertidumbre

distribuciones de probabilidad
Una distribucin de probabilidad es una manera de expresar el
rango de posibles valores para una variable incierta, y por ende
la probabilidad de esos valores

La manera ms comn de
expresarla es mediante una
funcin de densidad de
probabilidades
La probabilidad de que la
variable est entre el rango x a
x+dx es P(x) * dx

12
Descripcin de la incertidumbre
Diferentes distribuciones de probabilidad
Hay muchos tipos de distribuciones de probabilidad
Cules son las diferencias?
Qu representan esas diferencias?

Distribucin Normal Distribucin Triangular

Distribucin Lognormal Distribucin Uniforme

13
Descripcin de la incertidumbre

Probabilidad acumulada
La probabilidad acumulada es obtenida mediante la integracin
de la funcin de densidad de probabilidades
Es una forma alterna de observar la misma informacin, pero
ms fcil de interpretar

14
Descripcin de la incertidumbre
Percentiles
Es fcil ilustrar percentiles usando una grfica de probabilidad
acumulada
Hay un 10 por ciento de probabilidad de que el valor real sea
menor que el P10 de ese valor
Tambin es posible determinar fcilmente la probabilidad de que
la variable est dentro de un rango de valores dado

15
 Descripcin de la incertidumbre
Distribuciones continuas vs distribuciones discretas (primera
dosis de vacunacin)
Una propiedad importante de una distribucin de probabilidad
es saber, si es continua o discreta

Las distribuciones continuas se aplican

a variables como porosidad o precio

Las distribuciones discretas se aplican a

variables tales como el nmero de pozos
secos o exitosos

Todos los clculos computacionales resultan en valores discretos

Los resultados son distribuciones
16
discretas y no continuas
Descripcin de la
incertidumbre

Ejemplo de una distribucin

Ejercicio discreta

Construir una distribucin discreta usando los siguientes

nmeros:
4, 3, 8, 7, 5, 7, 4, 10, 3, 9, 5, 5, 6, 9, 6, 4, 8, 5, 4, 8, 6, 2, 7, 6, 5

Cul es la probabilidad de ocurrencia de 3?

Construir la distribucin acumulada

17
Descripcin de la incertidumbre
Resultados al
ejercicio

Probabilidad de tener un 3 = 2 / 25
= 8%

44%
La probabilidad de tener un
valor entre 2.5 y 5.5 = 44% - 4%
= 40%
4%

18 2.5 5.5
Descripcin de la incertidumbre
Medidas de tendencia central
(Nos permite comparar tipos de distribucin)

Moda: El valor ms frecuente de un conjunto de datos.

Corresponde al pico de la curva de frecuencia

Mediana: El valor medio entre el ms pequeo valor posible y el

valor ms grande posible (P50)

Media: La suma de todos los valores de un conjunto dividido

por el nmero total de valores del conjunto (promedio)
19
Descripcin de la incertidumbre

Medidas de tendencia central

Hay muchos tipos

Los ms comnes son

media, mediana y moda
Para una FDP (Funcin
de distribucin de
probabilidades)
asimtrica, estas tres
medidas no sern las
mismas

20
Descripcin de la incertidumbre
Ejercicio

Calcular la media, moda y mediana de la distribucin discreta

siguiente

21
Descripcin de la incertidumbre

La probabilidad y estadstica utiliza varias maneras para describir una

coleccin de datos:

Variancia es la suma del cuadrado de la distancia de cada valor de un

conjunto de datos a la media

Desviacin estndar es la raz cuadrada de la variancia, y es una medida

de qu, tan dispersos estn los valores en un conjunto

22
Descripcin de la incertidumbre
Formas sencillas para describir una coleccin de datos con
probabilidades de ocurrencia (contina):

Desviacin semi-estndar. Representa la desviacin estndar de todos

los valores menores a la media y puede ser usada como una medida
de riesgo de la parte baja (downside risk)

Curtosis es una medida de la asimetra de una distribucin alrededor de

su media. Si la distribucin tiende a la derecha, tendr tendencia
positiva. Si est a la izquierda, tendr tendencia negativa.

23
Descripcin de la incertidumbre
Teorema del lmite central

La SUMA de variables aleatorias independientes resultan en una

DISTRIBUCIN NORMAL
Distribucin de campana simtrica

El PRODUCTO de variables aleatorias independientes resultan en una

DISTRIBUCIN LOGNORMAL
Distribucin de campana asimtrica

24
Descripcin de la incertidumbre

Ejercicio

Construir grficamente el resultado de la distribucin resultante de la suma

de los nmeros obtenidos de tirar dos dados (eje X= suma los nmeros de
ambos dados, eje Y = probabilidad)

25
Descripcin de la incertidumbre

Resultados del ejercicio

26
Descripcin de la incertidumbre
Distribucin Normal

La simetra proviene del

proceso aditivo Media = Moda = Mediana

Describe muchos fenmenos

biolgicos como el coeficiente
intelectual de los humanos o P10 P50 P90
su estatura

La Media, la Moda, y la
Mediana son iguales
27
Descripcin de la incertidumbre
Distribucin Lognormal
Asociado con el proceso
multiplicativo
Moda
Fenmenos naturales (especialmente
con variancia mayor) Mediana

usado para reservas, costos, Media

produccin, y otros ms

Valores mayores a cero P10 P50 P90

Moda < Mediana < Media

28
Descripcin de la incertidumbre
Distribuciones de probabilidad - Triangular

Algunas veces usada cuando no existen Moda

Mediana
datos
Media

La moda es muy frecuentemente confundida

con media o P50
P10 P50 P90

Precaucin!, las distribuciones triangulares

sobrestiman la media cuando la
variancia se incrementa

29
 Descripcin de la incertidumbre
Distribucin Uniforme

Cantidades que varan uniformemente

entre dos valores Media = Moda = Mediana

Usadas cuando no hay discriminacin

entre resultados (uso prctico
limitado)
P10 P50 P90

30
Aspectos clave
Los resultados de clculos computacionales son valores
discretos Se pueden capturar distribuciones continuas pero
los resultados sern distribuciones discretas

En distribuciones simtricas: Moda = Mediana = Media

Las distribuciones Normal y Lognormal son las ms comunes

La suma de variables aleatorias independientes produce una

distribucin normal. El producto de variables aleatorias
independientes produce una distribucin lognormal (Teorema
del lmite central)

Las probabilidades acumuladas (percentiles) son la manera

ms prctica de calcular la probabilidad de rangos
31
Manejo de incertidumbre
 Manejo de incertidumbre
Los fenmenos naturales son tpicamente
representados como distribuciones tipo lognormal
El resultado ms probable es un
campo pequeo

Pero . hay una

Probabilidad de probabilidad pequea de
ocurrencia
un campo grande

elihood of Occurrence
Recursos prospectivos
(escala aritmtica)
33
Normal: dos maneras de
representacin

P99

P90

P50

P10

P1

34
Grfica de la distribucin normal (como lneas rectas)

Grfica de probabilidad acumulada: note que el eje vertical es escala de

probailidad no-lineal, dado que el eje horizontal es escala aritmtica

P99

P90

P50

P10

P1
35
Lognormal: dos maneras
de representacin

P99

P90

P50

P10

P1

36
Grfica de la distribucin lognormal (como lneas rectas)

Grfica de probabilidad lognormal acumulada, note que el eje vertical es

escala de probabilidad no-lineal, dado que el eje horizontal es escala
logartmica

P99

P90

P50

P10

P1
37
Por qu es tan importante para estimaciones probabilistas?
Normalmente muchos ejemplos son necesarios para
definir las distribuciones

Las distribuciones Normal y Lognormal pueden ser

definidas con slo dos puntos

Forma eficiente de capturar estimaciones

Permite verificar condiciones de lmite como
reality checks
P99 y P1 deben estar dentro del rango de
posibilidades, pero extremadamente poco probable
de ocurrir
38
Cundo se captura un rango, qu representa?

Representa un rango que tiene un nivel de confianza asociado

39
Estimacin con rangos probabilistas
P10

P50

P90

Escala Aritmtica
Likelihood of Occurrence 80%
Intervalo de confianza
P99 Reality
P90 Check

P50

P1 Reality Check

P10

40
valores (escala logartmica)
Descripcin de incertidumbre

Ejercicio con reality check

Use la hoja de clculo dada, calcular P1 y P99 de la distribucin

lognormal del gasto de produccin inicial de un pozo. El
gasto inicial P10 = 150 bd y P90 = 2,700 bd

Cul es el valor de P75 del gasto inicial?

41
Descripcin de incertidumbre

Resultados al ejercicio de reality check

P1 = 46.18 bd
P99 = 8,770.97 bd
P75 = 1,361.62 bd

42
Regla de Swanson

Una manera simple para estimar la media de una distribucin

lognormal

Media de Swanson = 0.3 (P90) + 0.4 (P50) + 0.3 (P10)

Una manera rpida de calcular la media ponderada

30% de probabilidad de ocurrencia de P90
40% de probabilidad de ocurrencia de P50
30% de probabilidad de ocurrencia de P10

43
Aspectos clave
Podemos representar incertidumbre con un 80% de intervalo de
confianza

Podemos usar reality checks para validar nuestros estimados

Las distribuciones lognormal y normal pueden ser

caracterizadas por dos de sus puntos

Media de distribuciones lognormal

Media = 0.3 x P10 + 0.4 x P50 + 0.3 x P90 (Regla de Swanson)

No complicar el problema mantenerlo simple !!!

44
Conceptos del diagrama de Tornado

Incertidumbre
Todo tiene incertidumbre a cierto nivel
Para entenderla existen dos componentes:
Qu tan incierto es?
Qu tanto importa?

45
Conceptos del diagrama de Tornado
Alto, Base, Bajo
Cuando decimos qu tan incierto es algo, normalmente damos
estimados alto, base y bajo. Qu significa sto?

El estimado base es generalmente el estimado para el valor

ms comn
La estimacin del nivel alto y bajo es ms difcil: el rango
debe ser lo suficientemente amplio para capturar ms
posibilidades, pero no tanto como para que el rango
carezca de sentido
El rango de las incertidumbres capturadas debe ser
comparable para todas las variables (se recomienda P10 y
P90)
46
Conceptos del diagrama de Tornado

Terminologa:
Variable: un parmetro incierto que afecta el resultado de un
clculo, por ejemplo, precio de aceite, costos de operacin,
espesor neto, etc.
Valor de Medicin (VM): un valor de medicin; el resultado de
un clculo, por ejemplo, VPN, TR, reservas recuperables, etc.

Bsicamente, son entradas y salidas, respectivamente

47
Diagrama de Tornado

Para crear un diagrama de tornado...

Calcular el Valor de Medicin (VM) usando el estimado base de
todas las variables
Calcular el VM usando el estimado alto y bajo de cada variable
Calcular el cambio en el VM entre bajo y alto para cada variable
Graficar cada cambio en una barra horizontal colocando el ms
significativo en la parte superior
48
Diagrama de tornado

Ejercicio 1
Usando Excel calcular el impacto sobre la incertidumbre de flujo de efecivo
acumulado generado por un proyecto sabiendo que:
1. La produccin acumulada de aceite est estimada en 4 millones de barriles
(80% de intervalo de confianza es 3.2 millones a 5 millones de barriles)
2. El promedio del precio del aceite est estimado en 20 USD (80% de
intervalo de confianza de + 0 30%)
3. El gasto de capital est estimado en 8 millones de USD (80% de intervalo
de confianza de + 0 20%)
4. Costos de operacin estimados en 12 millones de USD (80% intervalo de
confianza de + 0 20%)

Cules son las variables de entrada que intervienen en al menos 90% de la

incertidumbre sobre el flujo de efectivo acumulado antes de impuestos?

49
 Diagrama de tornado
Resultados de los ejercicios

Resultado en Excel

Resultado obtenido usando la seccin de riesgo en Peep

World Peep
FileName: <Undefined>
ZZ T EX Value Measure: BtCash
35000 60000 85000
Description Var
40000 45000 50000 55000 60000 65000 70000 75000 80000

Prod.: Oil Price 0.63 36000 L H 84000

Prod.: Oil Volume 0.36 44000 L H 80000

All Opcost 0.01 57600 H L 62400

All Capital 0.00 58400 H L 61600

Este fue un caso simple para modelar en Excel.

Casos ms complejos de E & P son ms fciles de modelar en Peep que en
50
Excel
Anlisis de Sensibilidad Ejercicio # 2

Estudie el efecto sobre el tasa esperada de petrleo conociendo que

las caractersticas petrofsicas y energticas del Yacimiento X
pueden tomar los siguientes valores:
Datos Min Med Max Valor Distribucin
Oil Effective Permeability (md) - (Kef) 100 200 400 300
Static Pressure (lpc) - Py 1300 1400 1500 1400
Presin Fondo Fluyente (lpc) - Pwf 400 600 700 600
Oil Viscosity (cps) - Miu 2.42 2.55 2.7 2.55
Volumetric Factor (By/Bn) - Boi 1.22 1.2345 1.25 1.2345
Skin (S) - S 5 10 15 10
Net Pay (pies) - ANP 10 22 35 22

Datos Determinsticos Valor Qo = 0.0078 * H * Kef * (Py-Pwf) / Miu * Boi

Well Radius (mts) - Rpozo 0.122 * Ln (Rdrenaje/ Rpozo) + S
Drainage Radius (mts) - Rdrenaje 150
Oil Rate (bpd) - Qo 764
Conocer la certidumbre de alcanzar el volumen de reservas estimado para el campo

Saturacion Factor de
Area Espesor Porosidad Agua Bo Recobro Reservas
(acres) (ft) (fraction) (fraction) (RB/STB) (fraction) (MMBbls)
200 10 0.12 0.32 1.00 0.50
320 30 0.15 0.35 1.10 0.65 4291
600 40 0.20 0.40 2.00 0.80

Reserva = 7758 * AREA * H * PHI * (1-Sw)* FR / Boi

Demo
52
Conceptos de rboles de decisin

Nodos en rboles de decisin

Hay tres tipos de nodos en un rbol de decisin estndar

Los nodos de decisin representan la

decisin que necesita tomarse

Los nodos de incertidumbre representan

incertidumbres no controladas

Los nodos finales representan resultados o

estados de eventos que pueden realizarse

53
Conceptos de rboles de decisin

Valor Esperado
Valor Esperado (VE) es el promedio ponderado de todos los
posibles resultados
Es generalmente imposible de llevar a cabo el VE en una
sola prueba
Si un proyecto idntico puede hacerse muchas veces,
entonces el promedio del resultado debe ser parecido al
valor esperado

54
Conceptos de rboles de decisin
Alto, Base, y Bajo
Un elemento comn de un rbol de decisin es el nodo de
incertidumbre de tres ramas

Recuerde que el VE es la probabilidad del

promedio ponderado de todos los resultados
Para que el VE tenga sentido, se debe tener
cuidado en la seleccin de probabilidades (Regla
de Swanson)

Un nodo de incertidumbre de tres ramas normalmente se usa para

representar una variable continua en una forma simplificada

55
 Conceptos de rboles de decisin
Alto, Base y Bajo

Una variable continua necesita su valor promedio y su rango de posibles

valores aproximados a ser capturados mediante una representacin de tres
ramas
Los valores de probailidad deben ser cuidadosamente seleccionados

La seleccin de valores bajo, base y

alto est relacionada con las
probabilidades usadas y viceversa

56
Conceptos de rboles de decisin

Grficas de probabilidad acumulada

Una grfica de probabilidad acumulada es una herramienta muy
usada para entender los resultados de un rbol de decisin

Para crear una GPA:

Ordenar los posibles resultados de
mayor a menor
Graficar la probabilidad del resultado
ms bajo contra su valor

Para el prximo, graficar su probabilidad ms la probabilidad previa

contra su valor
Repetirlo para todos los puntos

57
Conceptos de simulacin Monte Carlo

La herramienta de clculo
Retomando la discusin de variables y valores de medicin
Estos son las entradas y salidas de la herramienta de clculo
La herramienta de clculo puede ser Merak Peep, MS Excel, o
alguna otra aplicacin

58
Conceptos de simulacin Monte Carlo

La herramienta de clculo
Para una simulacin Monte Carlo, las entradas son
distribuciones de probabilidad
Los valores aleatorios son generados para cada entrada y las
salidas son calculadas
Repitiendo sto, obtenemos un histograma de posibles
resultados

59
Conceptos de simulacin Monte Carlo

Muestra aleatoria
Durante una simulacin Monte Carlo, nmeros son generados
aleatoriamente para cada variable de entrada
El muestreo es realizado, por lo que las reas de alta densidad
de probabilidad, son escogidas ms frecuentemente, que reas
de baja densidad de probabilidad
Si la regin A tiene el doble de la densidad de probabilidad que
la regin B, debe haber dos veces ms valores generados de A
que de B

60
Conceptos de simulacin Monte Carlo

Correlacin
Es posible que las variables sean aleatorias pero no
independientes una de la otra
Si, cuando los valores de una variable son altos, los valores de
la otra variable tambin tienden a ser altos, entonces se dice
que son positivamente correlacionados,
De manera inversa, se dice que son negativamente
correlacioandas
La correlacin no necesariamente implica una relacin causal
entre dos variables

61
Conceptos de la Simulacin Monte Carlo

Correlacin
El grado de correlacin es medido por el coeficiente de
correlacin, el cual va de -1 a +1

Graficando los
valores de una
variable contra los
valores
correspondientes de
la otra es una buena
manera de
inspeccionar la
correlacin
visualmente
62
Aspectos relevantes

Use anlisis de sensibilidad (tornado) para identificar las

variables cuya incertidumbre afecta ms al indicador principal.
Esto le permitira modelar solamente las incertidumbres ms
importantes

En un rbol de decisin, el valor esperado no necesariamente

corresponde a un resultado

Cuando se ejecutan simulaciones Monte Carlo o cuando se

combinan variables en un rbol de decisin, las variables con
correlacin o carentes de ella tambin deben ser consideradas

63
Uso de incertidumbre
rboles de decisin vs Monte Carlo

Hay una considerable relacin entre rboles de decisin y simulacin

Monte Carlo

Ambos modelan incertidumbre

Ambos calculan valor esperado
Ambos consideran rangos de resultados

Cules son sus diferencias?

65
rboles de decisin vs Monte Carlo

Como lo hemos discutido, los nodos

comnmente tienen tres ramas para
representar una variable de incertidumbre

Una representacin alterna

de la misma informacin es
una distribucin de
probabilidad discreta:

66
 rboles de decisin vs Monte Carlo

Los rboles de decisin y la simulacin Monte Carlo usan una

herramienta de clculo para proporcionar datos

La diferencia clave es cmo se emplean estos datos de salida

67
rboles de decisin vs Monte Carlo
Los rboles de decisin usan los valores de los resultados y sus
probabilidades asociadas para determinar un promedio
ponderado. Este es el valor esperado del rbol

EV = (P(1) V(1)) + (P(2) V(2)) + (P(3) V(3))

68
rboles de decisin vs Monte Carlo
En el anlisis Monte Carlo, el valor esperado es calculado
tomando la media de todos los resultados. No hay
ponderacin por probabilidad debido a que el muestreo de
las distribuciones de entrada cumple con sto

El muestreo es ms frecuente en
regiones de alta densidad de
probabilidad.
VE = (V1 + V2 + V3 +)/N
El tamao de la muestra es
importante

69
Pros y contras de la Simulacin Monte Carlo

Pro: Para situaciones donde la precisin es importante, la

modelacin con MC es ms sofisticada que los rboles de
decisin

Contra: Mayor sofisticacin requiere ms datos y esfuerzo. Un nodo

de incertidumbre de tres-ramas puede ser bueno para clculos
aproximados

70
Pros y contras de Monte Carlo

Pro: Para un nmero grande de variables de entrada, el

nmero de clculos requeridos para simulaciones MC,
el anlisis puede ser pequeo

Contra: Los rboles de decisin son rpidos de calcular cuando

relativamente pocas incertidumbres estn involucradas

71
Pros y contras de Monte Carlo

Pro: Monte Carlo es una buena herramienta para perfiles de

riesgo.
Qu son los valores P10 y P90?
Cul es la probabilidad de perder dinero?
Cmo encaja este proyecto dentro del
portafolio?
Contra: Monte Carlo, por s slo no es una herramienta de anlisis
No puede determinar el valor de la informacin
No puede determinar estrategias ptimas
Su comprensin es ms difcil
72