Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Aplicacion Del Metodo de Montecarlo A La PDF
Aplicacion Del Metodo de Montecarlo A La PDF
Agradecimientos
ndice General
Agradecimientos i
Lista de Tablas iv
Lista de Figuras v
Resumen vi
Introduccin 1
I EL PROBLEMA 3
Planteamiento del Problema 4
Objetivo General 6
Objetivos Especficos 6
Justificacin 7
Antecedentes 8
II MARCO TERICO 10
Simulacin 11
Estadstica 12
Incertidumbre 12
El Mtodo de Monte Carlo 13
Simulacin utilizando Monte Carlo 14
Distribucin de Frecuencias 23
Histograma de Frecuencias 24
Nmeros Aleatorios y Pseudo Aleatorios 30
Generacin de Nmeros pseudo aleatorios con Distribucin Uniforme utilizando un computador 31
Generacin de Nmeros Pseudo Aleatorios con Distribucin distinta a la Uniforme utilizando un
Computador. 32
Mtodo de la Transformada Inversa 32
Mtodo del Rechazo 34
Mtodo de Composicin 35
Ecuacin Volumtrica de Petrleo original en sitio 37
Ecuacin Volumtrica de Gas original en sitio 39
Ecuacin de Presin Hidrosttica 40
Ecuacin de ndice de Productividad 42
iii
IV CONCLUSIONES Y RECOMENDACIONES 66
Conclusiones 67
Recomendaciones 69
Referencias 70
Apndices 74
Determinacin del nmero adecuado de simulaciones para obtener resultados satisfactorios con Monte
Carlo 74
iv
Lista de Tablas
Lista de Figuras
Santaniello S. Filippo F.
Resumen
Introduccin
I EL PROBLEMA
4
Objetivo General
Objetivos Especficos
Justificacin
Antecedentes
Segn Coss (1999), durante los aos 40, en plena Segunda Guerra
Mundial, se llevaba a cabo en EE.UU. el desarrollo del Proyecto
Manhattan, mejor conocido como el Proyecto Bomba Atmica.
Consista, en palabras sencillas, en la fisin de los tomos de cierto
material que daba origen a la explosin.
Sin embargo, esta no fue la primera vez que se utiliz una simulacin
para resolver un problema. Previamente en el siglo XIX se haba
aproximado el valor de pi haciendo girar al azar una aguja sobre un
tablero con lneas paralelas y observando el nmero de intersecciones
entre la aguja y las lneas.
9
II MARCO TERICO
11
Simulacin
Estadstica
Incertidumbre
The more precisely the position is determined, the less precisely the
momentum is known in this instant, and vice versa
7758 * * h * * S
POES = Ecuacin 1
Frecuencia
Histograma de Frecuencias
% acumulado
y Frecuencias Acumuladas
20
18 100,00%
16
80,00%
14
12
Frecuencia
60,00%
10
8
40,00%
6
4
20,00%
0 ,00%
0,89
1,48
2,07
2,66
3,25
1,185
1,775
2,365
2,955
y mayor...
Clase
Se puede observar que existen dos datos en l, las barras azules que
son el histograma de frecuencias de los valores obtenidos para el
POES. De ste histograma se puede obtener una importante
informacin, que es cuan probable es obtener un resultado en un
rango dado. Por ejemplo, en la barra que corresponde a 1,48, lo que
quiere decir que corresponde al subgrupo que va de 1,48 a 1,775, se
puede observar que hay 18 valores, lo que indica que 18 de cada 100
valores est en ese rango o lo que es equivalente, hay un 18 por
ciento de probabilidad de que el POES tenga un valor que va de 1,48 a
1,775 MMBBls.
Por fortuna, el mtodo de Monte Carlo no llega hasta aqu. Cada una
de las variables que se tom en cuenta para simular no tiene que ser
sencillamente tomada al azar en un rango dado con la misma
probabilidad para cada valor. El mtodo permite la entrada de
23
Distribucin de Frecuencias
Histograma de Frecuencias
(x )2
1
f(x) = *e 22
en -oo x oo Ecuacin 3
2
27
(log(x) )2
1
f(x) = *e 22
Ecuacin 4
x 2
F(x) = R Ecuacin 8
x = F-1(R) Ecuacin 9
x
F(x) = e x dt = 1 e x Ecuacin 11
0
1-e-x = R Ecuacin 12
Finalmente despejando x
x = -(1/)Ln(R Ecuacin 13
34
x = a + (b a)R Ecuacin 14
Mtodo de Composicin
Este mtodo consiste en dividir la funcin de distribucin de
probabilidad deseada en sub-reas y obtener la distribucin
acumulada a partir de esto como una sumatoria de las mismas.
Posteriormente con el nmero aleatorio R1 y utilizando la
transformada inversa se escoge la sub-rea sobre la cual se trabajar
y con el nmero aleatorio R2 se obtiene el nuevo valor aleatorio con la
distribucin deseada.
a b
Figura 7 Representacin grfica
de una distribucin triangular
36
x = a+(b-a) R2 Ecuacin 17
x = c-(c-b) R2 Ecuacin 18
Aquella parte de una trampa que contiene petrleo, gas o ambos como
un solo sistema hidrulico conectado se llama Yacimiento.
V=A*h Ecuacin 19
38
Vo = A * h * Ecuacin 20
Vop : A * h * * So Ecuacin 21
POES : A * h * * So / o Ecuacin 22
39
Vo = A * h * Ecuacin 24
Vog : A * h * * Sg Ecuacin 25
siendo Vog el volumen ocupado por gas. De nuevo para saber este
volumen a condiciones de superficie, se utiliza el factor volumtrico g
en pies cbicos de yacimiento por cada pie cbico fiscal, y se obtiene
el GOES o gas original en sitio:
40
GOES : A * h * * Sg / g Ecuacin 26
dP / dh = - * g Ecuacin 28
P h
dP = g dh
0 0
Ecuacin 29
e integrando
P=-gh Ecuacin 30
P = 0,052 h Ecuacin 31
Qu es MCP?
Instalacin en un PC
Uso de MCP
A F C
n
xi
x= i =1
Ecuacin 33
n
n
( x x ) 2
V= i =1 i
n 1 Ecuacin 34
55
S= V Ecuacin 35
n
( x x ) 2
S= i =1 i
n 1 Ecuacin 36
Existe una Seccin H que en este instante dice Mostrar: deciles. Los
deciles son los valores que dividen una distribucin de frecuencia
acumulada en 10 partes de igual cantidad de incidencias. Haciendo
clic sobre esto se puede escoger entre Cuartiles, Deciles y Percentiles.
Los Cuartiles son los valores que dividen la distribucin acumulada
en cuatro partes de igual incidencia y los percentiles en cien partes.
C=A*B Ecuacin 37
= A1 * B1 Ecuacin 38
IV CONCLUSIONES Y
RECOMENDACIONES
67
Conclusiones
Recomendaciones
Referencias
Kalos, Malvin (1986). Monte Carlo methods. John Wiley & Sons, New
York
Nind, T. (1964) Principles of oil well production. McGraw Hill. pp. 56,
57
Apndices
a=b*c*d*e Ecuacin 39
1,0080
1,0060
1,0040
Valor de la media
1,0020
1,0000
0,9980
0,9960
0,9940
0,9920
0,9900
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
Nmero de Simulaciones
a=b*c*d*e Ecuacin 40
1,0100
1,0050
Valor de la media
1,0000
0,9950
0,9900
0,9850
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
Nmero de Simulaciones