Comprensión de la incertidumbre

¿Cuál es el valor de obtener información adicional para cualquier proyecto planifica-

do? ¿Qué probabilidad de éxito tiene el proyecto con o sin los nuevos datos? Este
artículo describe una forma de evaluar de qué manera la nueva información reduce
la incertidumbre y el riesgo del proyecto. La incorporación del método en programas
de evaluación en tiempo real permite la actualización permanente de las prediccio-
nes, tales como la distancia al objetivo de perforación.

Ian Bryant El riesgo es bueno. El riesgo es malo. El objetivo nen mayor impacto sobre un resultado. Otra de
Alberto Malinverno que mueve a las compañías es la obtención de las mejoras introducidas es la asignación de fun-
Michael Prange ganancias y, en un clima comercial competitivo, ciones de densidad de probabilidades a los ran-
Ridgefield, Connecticut, EUA normalmente es imposible generar ganancias sin gos de los parámetros, lo cual genera una curva
que exista cierta exposición al riesgo. ¿Cuál es el de expectativas de parámetros económicos, tales
Mauro Gonfalini
límite aceptable de riesgo? Es fundamental juzgar como el valor presente neto (VPN) o las reservas
Eni Agip
con exactitud cuándo el riesgo se convierte en explotadas. Un enfoque probabilístico, multidis-
Milán, Italia
imprudencia. La búsqueda de formas de reducir la ciplinario, totalmente integrado, conocido como
James Moffat exposición al riesgo constituye una práctica análisis de riesgos y toma de decisiones, incor-
Moscú, Rusia comercial difícil pero esencial; la cuantificación pora muchos más parámetros básicos y propaga
del riesgo y la evaluación del valor de la informa- la incertidumbre.2 Un estudio de compañías ope-
Dennis Swager ción destinada a reducirlo pueden resultar aún radoras de la plataforma continental noruega
Team Energy, LLC más problemáticas. indicó que los resultados financieros de las socie-
Bridgeport, Illinois, EUA El descubrimiento y desarrollo de activos de dades, mejoraban cuando éstas integraban el
petróleo y gas siempre ha sido un negocio ries- análisis de riesgos y toma de decisiones en sus
Philippe Theys goso. La industria cuenta con varios anteceden- secuencias de tareas.3
Sugar Land, Texas, EUA
tes de avances tecnológicos que permitieron El sofisticado análisis de riesgo puede indicar
reducir el riesgo, aun cuando los yacimientos y la cuáles son los factores desconocidos que tienen
Francesca Verga
Politécnico de Torino forma en que se los explota se hayan vuelto más mayor impacto sobre los resultados económicos
Turín, Italia complejos. Uno de los primeros desarrollos, la del proyecto y probablemente exista tecnología
utilización de registros adquiridos con cable en para obtener esa información, pero queda una
un pozo petrolero por parte de Conrad y Marcel pregunta por responder: ¿Posee el valor de la
Por su colaboración en la preparación de este artículo, se
agradece a Bill Bailey, Ridgefield, Connecticut, EUA; y a Schlumberger, cumplió su aniversario 75 el 5 de información adicional relación con el costo de su
Scott Leaney, Gatwick, Inglaterra. septiembre de 2002. En la última década, los obtención? A fin de responder a esta pregunta
Bit On Seismic, ECS (Espectroscopía de Captura Elemental),
EPT (herramienta de Propagación Electromagnética), RAB
levantamientos sísmicos tridimensionales (3D) para cualquier caso específico, una compañía
(Resistividad Frente a la Barrena), SeismicVISION y SpectroLith permitieron reducir sustancialmente la incerti- debe evaluar primero el grado de incertidumbre
son marcas de Schlumberger.
dumbre de las estructuras, identificar zonas de un proyecto con y sin la nueva información.
1. Head K: “Predicting the Value of 3-D Seismic Before It Is
Shot,” World Oil 219, no. 10 (Octubre de 1998): 97-100. pasadas por alto y mejorar los resultados econó- En este artículo, investigamos las fuentes de
2. Coopersmith E, Dean G, McVean J y Storaune E: “La micos de los proyectos.1 incertidumbre y un método para propagar la incer-
toma de decisiones en la industria del petróleo y el gas,” La evaluación económica también ha mejo- tidumbre a lo largo de todo el análisis de un pro-
Oilfield Review 12, no. 4 (Primavera de 2001): 2-9.
3. Jonkman RM, Bos CFM, Breunese JN, Morgan DTK, rado. El modelado determinístico simple provee yecto. La propagación de la incertidumbre permite
Spencer JA y Søndenå E: “Best Practices and Methods un valor único que puede incrementarse con cier- que el impacto de agregar información sobre un
in Hydrocarbon Resource Estimation, Production and
Emissions Forecasting, Uncertainly Evaluation and tos análisis de sensibilidad. La evaluación un parámetro de entrada se traslade al resultado. Un
Decision Making,” artículo de la SPE 65144, presentado poco más sofisticada utiliza rangos de valores y modelo probabilístico que incluya explícitamente
en la Conferencia Europea del Petróleo de la SPE, París,
Francia, 24 al 25 de octubre de 2000. puede ayudar a determinar qué parámetros tie- distribuciones de probabilidades para los paráme-

2 Oilfield Review
tros de interés es capaz de indicar el grado de
reducción de la incertidumbre que se puede espe-
rar al obtenerse más información. El estudio de
tres casos muestra el análisis de incertidumbre
para: una operación de geoposicionamiento en
una sección productiva delgada, un análisis petro-
físico de una arenisca arcillosa y un perfil sísmico
vertical (VSP, por sus siglas en inglés) con despla-
zamiento sucesivo de la fuente.
La probabilidad de error
Un factor fundamental para el análisis de riesgo
lo constituye el nivel de incertidumbre que aún
perdura en el momento de tomar una decisión. Si
se conociera toda la información con precisión,
no habría ningún riesgo en la toma de decisiones;
Invierno de 2002/2003
el resultado podría predecirse con certeza. La
calidad de las mediciones de que dispone la
industria de E&P es alta, pero los registros obtie-
nen información de un pequeño volumen del yaci-
miento y la extracción de núcleos de pozos ofrece
una fracción aún más pequeña del yacimiento
para su estudio. Si bien un levantamiento sísmico
3D abarca la totalidad del yacimiento, la resolu-
ción vertical es baja. Las limitaciones fundamen-
tales que imponen la física de las mediciones y la
geometría de los cuerpos limitan la cantidad y
calidad de la información disponible. La informa-
ción del yacimiento se interpreta mediante
modelos, que raramente son exactos para todos
los casos posibles (véase “Catalogación de erro-
res,” página 4).
Existe un valor verdadero que describe una
cantidad física en un punto específico del tiempo
y el espacio. Por ejemplo, la resistencia de un
determinado bloque de cemento bajo una deter-
minada serie de condiciones dadas, tiene un
valor único. Los errores de medición impiden la
determinación exacta de ese valor y requieren
una distribución de respuestas posibles para
representar la incertidumbre. El análisis tiene que
atenerse a estas distribuciones de probabilidad.
El término “probabilidad” tiene dos significa-
dos comunes. Uno de ellos se refiere a la fre-
cuencia relativa de un evento en pruebas
repetitivas, tales como el lanzamiento de una
moneda al aire reiteradas veces. Si se trata de
una moneda equilibrada y correcta, y el proceso
3
 Catalogación de errores
Los dispositivos de medición, desde las simples
reglas hasta las complejas sondas de adquisición
de registros, introducen errores. Por ejemplo, si
la longitud de un objeto es exactamente 5.780
unidades—tales como pulgadas o centímetros—y
la regla utilizada está graduada en décimos de
una unidad, la medición deberá interpolarse
para determinar el dígito que corresponde al
lugar de los centésimos. Se puede aumentar la
precisión y reducir la incertidumbre; por ejem-
plo, invirtiendo en una nueva regla o en una
mejor tecnología de sondas. No obstante, el
mejoramiento estará limitado por el costo y por
la tecnología existente en ese momento.
Normalmente, la inexactitud genera errores
de medición más grandes que la imprecisión. Si
la cantidad es 5.780 y un dispositivo es capaz de
medir hasta dos decimales como mínimo, un dis-
positivo inexacto arrojaría algún valor distinto
de 5.78. Esto podría deberse a un error sistemá-
tico, tal como una regla combada que mide la
longitud erróneamente, o podría atribuirse a un
error aleatorio asociado con el proceso de medi-
ción. Los errores sistemáticos conocidos pueden
ser contemplados; muchas mediciones de regis-
tros contienen correcciones ambientales—tales
como correcciones por el tamaño del pozo o por
la salinidad del fluido del pozo—utilizadas en
las mediciones de las herramientas de resistivi-
dad y de las herramientas nucleares.
Si las mediciones repetidas de una misma
cantidad utilizando el mismo dispositivo arrojan
valores diferentes, la causa es la presencia de
errores aleatorios. Las causas de este tipo de
errores suelen estar más allá de nuestro control
y, muchas veces, trascienden nuestra compren-
sión. Las variaciones naturales del subsuelo pro-
ducen variaciones aleatorias en las cantidades
medidas, tales como las reflexiones sísmicas pro-
venientes de recorridos de ondas similares pero
no idénticos, o los resultados de análisis de nú-
cleos tomados de muestras adyacentes y aparen-
temente idénticas. La influencia de los errores
aleatorios puede reducirse mediante la repeti-
ción de las mediciones o, en ciertos casos, invir-
tiendo más tiempo en su obtención.
El usuario de la información aportada por una
herramienta sofisticada no se interesa en el va-
lor de una medición directa. La medición puede
ser una caída de tensión o la densidad óptica,
mientras que la magnitud de interés es la resis-
4 Oilfield Review
Información
Modelo estático
Estructura (geofísica)
Distribución de facies (geología)
Parámetros de las rocas (petrofísica)
Cálculo volumétrico
Modelo dinámico
Presión, volumen
Características de los fluidos
Relaciones entre las fases
Modelo de permeabilidad
Balance de materiales*
> Incertidumbres respecto del proceso de modelado de yacimientos. Los modelos estáticos de yacimientos,
que describen las propiedades geométricas del yacimiento, están sujetos a errores de interpretación en el
modelo y a errores de datos en los parámetros. Los modelos dinámicos, que describen el flujo de fluido,
tienen fuentes de errores similares pero el balance de materiales ofrece una prueba de validación.
tividad de la formación o la densidad del petró-
leo. Tanto dentro del programa de la herramienta
como en el post-procesamiento de los datos, la
medición se analiza utilizando un modelo
(arriba). Los modelos son representaciones de la
realidad—simplificaciones o generalizaciones de
nuestra comprensión de la forma en que funcio-
na el mundo—pero no son la realidad. La ecua-
ción de Archie no es exactamente correcta, así
como tampoco lo son sus diversas derivaciones.
Los petrofísicos tratan de comprender las limita-
ciones de los modelos y los errores asociados con
su aplicación, pero los siguen utilizando para la
evaluación de formaciones.
Las mediciones de laboratorio y de campo
están sujetas a problemas de control de calidad,
que pueden ser errores sistemáticos, instrumen-
tales o humanos. Un estudio de garantía de la
calidad sobre densidad, porosidad y permeabili-
dad al aire, realizado por Amoco—ahora BP—
entre 1978 y 1989, consistió en la realización de
repetidas mediciones en núcleos estables por
parte de diversos laboratorios. Al comienzo del
estudio, Amoco siguió las pautas generales res-
pecto de la exactitud, pero luego la base de
datos creció lo suficiente como para tener que
ajustar las pautas referentes a errores acepta-
bles en relación con esas mediciones. La compa-
ñía pudo aseverar con seguridad cuáles de los
resultados de laboratorio se encontraban más
allá de los límites aceptables.1
Los desaciertos humanos constituyen una
importante fuente de error, difícil de manejar en
el análisis de los errores. Los errores de medi-
ción en porcentajes pequeños, son mínimos si se
Modelo Parámetros
Reflexión, migración Velocidad (registro, apilamiento)
Analogías depositacionales Ejemplos de campo
Porosidad, permeabilidad Empírico, estadístico
Distribución Geoestadístico
Darcy, desplazamiento Régimen de flujo
Darcy Mezcla de contenido, viscosidad
PVT (Presión, Volumen, Temperatura) Físico, empírico
Yacimiento Modelo estático, modelo de flujo
Flujo * Prueba de validación
comparan con el resultado de transponer los pri-
meros dos dígitos de un número de cinco dígitos
o de perder la única copia de un grupo de datos
disponible. Los sistemas de manejo de datos y de
información procuran reducir la probabilidad de
error humano diseñando procesos que no requie-
ren el ingreso de los datos más de una vez. Me-
diante la transferencia de datos en tiempo real,
la información llega a la computadora del usua-
rio con un mínimo de intervención humana.
También existen errores humanos más sutiles.
La predisposición a aceptar ciertos escenarios
puede incidir en las interpretaciones. Un fuerte
deseo de seguir adelante con un proyecto o, con-
trariamente, una intensa necesidad de cumplir
con una obligación y dar por concluida una obli-
gación contractual, puede producir evaluaciones
excesivamente optimistas o excesivamente pesi-
mistas de la información. Otro ejemplo es el
otorgamiento de incentivos económicos a los
perforadores para que eviten desviaciones tipo
pata de perro en un pozo, lo cual puede condu-
cir a limitar la notificación de problemas de per-
foración. Estos errores humanos sutiles pueden
ser difíciles de descubrir. La mejor solución es
la transparencia. Todos los pasos de un proceso
necesitan ser rastreables y debe existir un catá-
logo de todas las suposiciones propuestas. Si
bien esto quizás no impida que se introduzca
cierta tendencia en el análisis, el mismo puede
ser descubierto y corregido con posterioridad.
1. Thomas DC y Pugh VJ: “A Statistical Analysis of the
Accuracy and Reproducibility of Standard Core Analysis,”
The Log Analyst 30, no. 2 (Marzo - Abril de 1989): 71-77.
de lanzamiento también es correcto, aproximada-
mente la mitad de los resultados serán “caras.”
Mientras más veces se arroje la moneda, más
cerca del 50% estará el resultado (abajo).
El otro uso del término se refiere a la creencia
o grado de confianza en una proposición incierta.
Por ejemplo, arrojemos una moneda pero no
miremos cómo cae. El resultado ya está determi-
nado; es cara o “cruz.” Aún así, seguimos consi-
derando la probabilidad de que el resultado sea
cara como equivalente al 50% porque ese es el
grado de confianza en ese resultado.
En la industria de E&P se utilizan ambos sig-
nificados. Las herramientas de adquisición de
registros de pozos que se basan en procesos
radiactivos, realizan un muestreo en una estación
de medición durante un cierto tiempo o bien
registran a baja velocidad para incrementar las
estadísticas de conteo. El conteo implica la fre-
cuencia relativa de un evento; esto es, la primera
percepción del término probabilidad. Un ejemplo
de probabilidad como creencia es el uso común
de las probabilidades P10, P50 y P90 para describir
el rango de resultados en términos de VPN, a par-
tir de un gran número de evaluaciones económi-
cas de yacimientos obtenidas mediante la
modificación de los parámetros de entrada en
cada prueba. El VPN de un yacimiento real bajo
las condiciones de desarrollo modeladas es un
valor fijo, pero desconocido. Las probabilidades
expresadas como grados de creencia siempre
1.0
0.8
Número fraccionario de caras
dependen de la información disponible. En base a
lo que se conoce acerca del yacimiento, ese VPN
tiene un 10% de probabilidad de ser igual al valor
modelado P10 o un valor menor, igual oportunidad
de ser mayor o menor que la media P50, y un 90%
de probabilidad de ser igual o menor que la pre-
dicción P90.4
El correcto análisis de los datos sigue un pro-
ceso lógico, lo cual significa que comenzamos
con las premisas y creamos argumentos lógicos
para llegar a las conclusiones. Tanto las premisas
como las conclusiones son enunciaciones, o pro-
posiciones, que pueden ser verdaderas o falsas.
La lógica deductiva tiene la siguiente estructura
clásica:
Premisa 1: Si A es verdadera, entonces B es
verdadera.
Premisa 2: A es verdadera.
Conclusión: Por lo tanto, B es verdadera.
A modo de ejemplo, reemplacemos A por la
proposición de que el corte de agua de este pozo
es superior al 99% y reemplacemos B por la pro-
posición de que este pozo no es económico. Los
planteamientos pasan a ser los siguientes:
Premisa 1: Si el corte de agua de este pozo
es superior al 99%, entonces
este pozo no es económico
Premisa 2: El corte de agua de este pozo es
superior al 99%
Conclusión: Por lo tanto, este pozo no es
económico.
Sin embargo, dado que a un argumento se le
da una forma lógica, puede suceder que el mismo
no sea válido. Hasta este sencillo argumento
posiblemente sea erróneo si las premisas son
falsas. Después de todo, puede darse el caso de
que el corte de agua no supere el 99%. Los argu-
mentos lógicos normalmente no son tan directos
como éste, y si las conclusiones no se deducen
de las premisas, el argumento también puede
resultar erróneo.
Los argumentos que implican proposiciones
inciertas corresponden a una rama llamada
lógica inductiva, la cual utiliza la probabilidad en
vez de la certeza en el argumento. Algunas de las
probabilidades a utilizar se denominan probabili-
dades condicionales: la probabilidad de que un
evento sea verdadero cuando se sabe que otro es
verdadero. Por ejemplo, en un área determinada,
puede que exista igual probabilidad de que una
roca que se encuentra a una profundidad deter-
minada sea arenisca o caliza. Sin embargo, si un
registro indica que la formación posee una den-
sidad de 2.3 g/cm3, la probabilidad de que se
trate de una arenisca es muy alta.
La inclusión de planteamientos probabilísti-
cos en un argumento inductivo generalizado es
del siguiente tipo:
Premisa 1: Si B es verdadera, entonces la
probabilidad de que A sea ver
dadera es P(A|B).5
Premisa 2: La probabilidad de que A sea
verdadera es P(A).
Premisa 3: La probabilidad de que B sea
verdadera es P(B).
Conclusión: Existe una probabilidad P(B|A)
de que B sea verdadera si A es

verdadera.
La premisa 3 puede parecer extraña, ya que el
0.6 Desviación estándar objetivo es llegar a una conclusión acerca de B.
La tercera premisa es una enunciación acerca de
0.4 la probabilidad de que B ocurra en general, mien-
tras que la conclusión es una enunciación condi-
0.2 cional sobre B dado que A es verdadera. La
importancia de esta distinción resulta más evi-
0 dente si se utiliza un caso específico.
1 10 100 1000 10,000
Cantidad de lanzamientos de la moneda
4. Ciertas compañías utilizan la inversa de esta nomencla-
tura. Por ejemplo, si P10, como se define en el texto,
> Frecuencia de resultados caras de un lanzamiento de la moneda. Luego de representara un VPN de 1 millón de dólares estadouni-
lanzar la moneda una vez, el resultado cero o uno será cara y ambos resulta- denses, habría un 10% de probabilidad de que el VPN
dos tendrán igual probabilidad (el tamaño de los puntos indica la probabilidad). incierto equivaliera a 1 millón o menos dólares estadou-
nidenses. Algunas compañías describirían ese VPN de 1
El resultado más probable de dos lanzamientos es que la mitad de los resulta- millón de dólares estadounidenses como P90, indicando
dos corresponda a caras. Luego de tres lanzamientos, el resultado más pro- un 90% de probabilidad de un VPN equivalente a 1 millón
bable será una o dos caras, proveyendo resultados fraccionarios equivalen- o más dólares estadounidenses.
tes a 1⁄3 ó 2⁄3. La probabilidad de obtener todas caras o todas cruces disminuye 5. La barra vertical indica una probabilidad condicional y
con cada nuevo lanzamiento. Una desviación estándar de una sigma (curvas), se lee como “dado,” de manera que P(A|B) es la proba-
respecto de la media del resultado, indica que el número fraccionario más bilidad de A dado B.
probable de caras se aproxima a 0.5 a medida que aumenta la cantidad de
lanzamientos de la moneda.

Invierno de 2002/2003 5
 Supongamos que una persona es examinada
en busca de un virus extraño. El examen no siem-
pre es correcto. En el 5% de los casos, el examen
resulta positivo cuando la persona no está infec-
tada. A esto se lo denomina falso positivo. Los
falsos negativos—el resultado del examen es
negativo cuando la persona está infectada—se
dan en el 10% de los casos. Representemos el
enunciado de que la persona está infectada como
Infectado y el enunciado de que el examen es
positivo con la palabra Sí.
El resultado del examen en una persona espe-
cífica es positivo: según el examen esa persona
está infectada. ¿Cuál es la probabilidad de que la
persona efectivamente haya contraído el virus?
La respuesta no es 90%; es decir
P(Sí |Infectado), la probabilidad de que el resul-
tado sea positivo si la persona está infectada. La
respuesta tampoco es 5%; es decir la probabili-
dad de que el examen sea positivo si la persona
no está infectada, P(Sí |no Infectado). El resultado
deseado es P(Infectado|Sí), la probabilidad de
que la persona esté infectada cuando el examen
resulta positivo. Esa respuesta se basa crítica-
mente en cuán extraño es el virus en la población
general, P(Infectado).
En este caso, supongamos que el término
extraño significa que hay 10 personas infectadas
por cada 1,000,000 de individuos no infectados, es
decir aproximadamente 0.001%. El examen de una
selección aleatoria de 1,000,010 personas indica
50,000 personas no infectadas con resultados
positivos, ya que el examen da un 5% de falsos
positivos, y nueve casos verdaderos positivos. La
probabilidad de que una persona esté infectada si
el examen resulta positivo es 0.018%; una tasa
mucho mayor que la de la población general. El
examen no es concluyente porque la infección es
extraña, de modo que los casos falsos positivos
siguen superando considerablemente en cantidad
a los verdaderos positivos. Si el resultado del exa-
men es positivo, lo recomendable sería practicar
una segunda prueba independiente.
Regla de Bayes
Los resultados condicionales como los del ejem-
plo precedente pueden calcularse utilizando la
regla de Bayes para las proposiciones.6 La regla
de Bayes proporciona una forma de calcular una
probabilidad condicional, P(B|A), cuando se
conoce la probabilidad condicional opuesta,
P(A|B) (arriba, a la derecha). Por esa razón, tam-
bién se le conoce como la regla de la probabilidad
inversa. La estadística Bayesiana parte de la
información general acerca de la probabilidad de
B, P(B), que se denomina probabilidad previa por-
6 Oilfield Review
que describe aquello que se conoce antes de Esto se conoce como probabilidad posterior. El
obtener la nueva información. La posibilidad, denominador es un factor de normalización que
P(A|B), contiene información nueva específica de involucra sólo a A; es decir, la probabilidad total
la instancia en cuestión. A partir de la probabili- de que ocurra A.
dad previa, de las distribuciones de posibilidades El uso del formalismo Bayesiano queda de-
y de la regla de Bayes se deriva la probabilidad mostrado con un ejemplo simple. Una compañía
condicional de B cuando ha ocurrido A, P(B|A). debe decidir si desarrollar o no un pequeño yaci-
P (B )*P (A B )
P (B A ) = donde
P (A )
P (B A) = Probabilidad
posterior
P (B ) = Probabilidad
previa
P (A B ) = Posibilidad
P (A ) = Factor de
normalización
> Regla de Bayes para las proposiciones.
N
P(Sí |Económico) = 80%
P(No |Antieconómico) = 75%
P (Económico) = 14% ?
en esta área
P(Sí) = P(Sí y Económico) + P(Sí y P (Sí)
Antieconómico)
P(Sí y Económico) = P(Sí |Económico) «
P(Económico)
Antieconómico Económico
P(Sí |Económico) * P(Económico)
P(Económico |Sí) =
P(Sí |Económico) * P(Económico) + P(Sí |Antieconómico) * P(Antieconómico)
=
0.8*0.14
0.8*0.14 + 0.25*0.86
0.112
= ~= 0.34
0.327
> Regla de Bayes para un caso de yacimiento sintético. Una prueba que con-
siste en la interpretación de datos sísmicos y de registros (arriba a la izquier-
da) constituye una prueba de la economía de una área prospectiva. Permite
identificar correctamente las áreas prospectivas económicas el 80% de las
veces y las áreas prospectivas antieconómicas el 75% de las veces. En esta
área, un 14% de yacimientos similares al yacimiento en cuestión son econó-
micos (arriba a la derecha). El numerador en la regla de Bayes puede calcu-
larse separando la probabilidad de que la prueba provea una indicación afir-
mativa (Sí) en la condición de que la indicación afirmativa (Sí) sea correcta y
la condición de que la indicación afirmativa (Sí) sea incorrecta (centro a la
derecha). Cada uno de esos términos puede ser definido por una relación
matemática de las probabilidades de dos cantidades independientes toma-
das en conjunto (centro a la izquierda). Cuando los valores dados son reem-
plazados en la regla de Bayes, el resultado que se obtiene es sólo un 34% de
probabilidad de que el nuevo yacimiento sea económico, aunque la prueba
indique que es económico (abajo).
 hj

hi

Distribución previa Posibilidad (información Distribución posterior

(información anterior a los datos) contenida en los datos) (incluye toda la información)
> Regla de Bayes que acota el espesor de las capas. El espesor de las capas en un modelo de yaci-
miento puede ser incierto. La información previa para el espesor h, para las capas i y j, puede estar
pobremente restringida, tal como lo indica el círculo en la gráfica de interrelación del espesor de
capas (izquierda). Las áreas más oscuras corresponden a valores más altos de las distribuciones de
probabilidad y las líneas de guiones muestran los valores límites para la incertidumbre. Los datos de
registros que proveen información de posibilidad indicando que una capa disminuye de espesor mien-
tras la otra aumenta, también tienen cierta incertidumbre (centro). El producto de ambos provee como
resultado la distribución posterior y da cuenta correctamente de toda la información (derecha).

miento en una cuenca donde un 14% de yaci-
mientos pequeños similares al yacimiento en
cuestión han resultado productivos y económicos.
La interpretación de este yacimiento en particular,
basada en un estudio sísmico y en registros de
pozos, indica que la acumulación de hidrocarbu-
ros es económica. Según experiencias anteriores,
la interpretación de este tipo de datos permite
predecir correctamente la presencia de un yaci-
miento económico un 80% de las veces y permite
estimar correctamente la presencia de un yaci-
miento antieconómico, un 75% de las veces. ¿Es
probable que este yacimiento resulte económico?
Según la información previa, P(Económico), el
14% de este tipo de campo en esta área resulta
económico. La nueva información es el resultado
afirmativo (Sí) de una prueba; es decir, el análisis
indica que este yacimiento en particular es eco-
nómico. Esto introduce la posibilidad,
P(Sí\Económico). P(Sí), que aparece en el denomi-
nador de la regla de Bayes, no se proporciona
pero puede calcularse. La probabilidad puede
dividirse en dos partes, la probabilidad de que el
resultado del análisis sea Sí y el yacimiento
resulte Económico y la probabilidad de que el
análisis diga Sí pero el yacimiento sea
Antieconómico. Estas dos condiciones no se
superponen e incluyen todas las condiciones, de
manera que la separación de la probabilidad de
que el resultado sea Sí en estas dos partes no
afecta la probabilidad total. La probabilidad com-
binada, por ejemplo Sí y Económico, puede obte-
nerse a partir de la probabilidad condicional de
que el resultado sea Sí, dado que el yacimiento
es Económico, multiplicada por la probabilidad
de que el yacimiento sea Económico. De este
modo, se puede determinar la incógnita P(Sí) a
partir de las cantidades conocidas.
El resultado es un tanto sorprendente. Si bien
el análisis es relativamente exacto, con un 80%
de probabilidad de predecir yacimientos econó-
micos en forma acertada, la chance de que este
yacimiento resulte económico es del 34%
(página anterior, abajo). El resultado previo lleva
al resultado posterior a un nivel bajo; es decir, la
baja probabilidad de que la población general de
este tipo de campo resulte económica. La intui-
ción puede conducir a equivocaciones, especial-
mente en aquellos casos en que la probabilidad
de una solución cuando se conoce el resultado de
una prueba, tal como P(Económico\Sí), se con-
funde con P(Sí\Económico), la probabilidad del
resultado de una prueba cuando se conoce la
solución. No obstante, el valor de la información
adicional provista por el análisis, queda clara-
mente demostrado con el aumento de la probabi-
lidad de éxito económico, del 14% al 34%.
El razonamiento probabilístico propaga lógi-
camente la incertidumbre desde las premisas
hasta una conclusión. Sin embargo, ni siquiera la
utilización adecuada del formalismo probabilís-
tico garantiza que el resultado sea correcto. La
conclusión es sencillamente tan buena como las
premisas y las suposiciones formuladas al inicio.
La ventaja de utilizar un método bien fundado
desde el punto de vista lógico, tal como el for-
malismo Bayesiano, es que las conclusiones
incorrectas indican que ciertas premisas o
supuestos son inconsistentes; una retroalimenta-
ción en el proceso de interpretación.
A veces se incluye explícitamente otro tér-
mino en cada término de la regla de Bayes, que
representa el conocimiento general y los supues-
tos incluidos en la evaluación de la probabilidad.
En el ejemplo del yacimiento, en el término de
posibilidad, P(Sí |Económico), se puede asumir
que se utilizaron herramientas de adquisición de
registros de última generación y que se inter-
pretó la sección sísmica suponiendo la presencia
de secuencias estratificadas. Para calcular la pro-
babilidad previa, P(Económico), se puede asumir
que todos los yacimientos son fluviales. Todos
estos supuestos se resumen como información
adicional I, de manera que la posibilidad pasa a
ser P(Sí |Económico, I) y la probabilidad previa,
P(Económico, I).
La incorporación explícita de supuestos cono-
cidos e información, I, acerca del problema en el
formalismo Bayesiano, es una forma de indicar
las condiciones bajo las cuales se calcularon las
probabilidades. La selección de la información
incluida en un escenario refleja la propensión del
analista. La transparencia respecto de todos los
supuestos del proceso posibilita una retroalimen-
tación efectiva.
Las probabilidades de la distribución previa
(información anterior a los datos) y la posibilidad
(información contenida en los datos) no siempre
se conocen con precisión. Cada parámetro invo-
lucrado puede tener asociada una incertidumbre
(arriba). El álgebra simple de la regla de Bayes
debe convertirse a cálculo matricial y, si existe un
gran número de parámetros inciertos, quizás se
requiera una computadora de alta velocidad para
determinar la distribución posterior a partir de la
distribución previa y de la posibilidad.
6. Thomas Bayes (1702-1761) fue un ministro inglés cuyo
trabajo original sobre probabilidad e inducción lógica fue
publicado en 1763 después de su muerte. Para obtener
mayor información y por una introducción a la estadís-
tica Bayesiana, consulte Hacking I: An Introduction to
Probability and Inductive Logic. Cambridge, Inglaterra:
Prensa de la Universidad de Cambridge, 2001.

Invierno de 2002/2003 7
 Campo
Lamott
Consolidado
Indiana

Lena 2 Emma 1

Layer 1
Layer 4

Mohr 1A
Matt 2
Pozo productor Pozo estéril
Pozo inyector de agua Sin perforar Mohr 2 Mohr 1

Unidad East Mount Vernon

0 200 400 600 m

0 500 1000 1500 2000 pies

> Ubicación de la unidad Mount Vernon del Campo Lamott Consolidado, cerca de Evansville, Indiana,
EUA. El área delineada indica la zona modelada para el pozo horizontal Simpson N° 22. Se utilizaron
ocho pozos vecinos (rotulados) para acotar el modelo en torno a la sección de incremento angular
(negro) y a la sección horizontal de 246 m [808 pies] de longitud (en rojo).

Geoposicionamiento con incertidumbre
Team Energy, LLC, compañía operadora de la uni-
dad East Mount Vernon, perforó el pozo Simpson
N° 22, el primer pozo horizontal del campo
Lamott Consolidado, situado en el Condado de
Posey, Indiana, EUA (arriba).7 Schlumberger dese-
aba probar algunas nuevas tecnologías de termi-
nación de pozos para drenar el petróleo de una
columna de 4 m [13 pies] de espesor depositada
en esta unidad. El proyecto permitió a
Schlumberger comprobar los métodos de incerti-
dumbre Bayesianos, que fueron incorporados en
un paquete de programas de computación desa-
rrollado en un entorno de colaboración. Este pro-
ceso ayudó a localizar y posicionar exitosamente
un pozo horizontal dentro de una delgada
columna de petróleo.
La unidad East Mount Vernon se encuentra
muy desarrollada con pozos verticales perforados
en un área de 40,500 m2 [10 acres]; en su mayor
parte, se trata de pozos terminados a agujero
descubierto en los que quedan expuestos sólo
los 0.6 a 1.5 m [2 a 5 pies] superiores de la
columna de petróleo. La mayor parte de la pro-
ducción acumulada provino del yacimiento de
areniscas Cypress del Mississíppico, aunque
también se origina en el yacimiento Tar Springs,
más somero, también de la misma edad. Los
pozos verticales existentes producen con un alto
corte de agua, aproximadamente de un 95%, por-
que la columna de petróleo del yacimiento
Cypress es muy delgada. El pozo Simpson N° 22
fue perforado primero como pozo piloto desviado,
para atravesar la arenisca Cypress cerca del
comienzo de la sección horizontal, y luego se per-
foró a lo largo de una curva suave hacia una sec-
ción horizontal del yacimiento.
El geoposicionamiento de un pozo es intrínse-
camente un problema tridimensional. Intentar
modelar el proceso en dos dimensiones puede dar
lugar a un tratamiento inconsistente de los datos
de otros pozos. Schlumberger confeccionó un
modelo 3D del subsuelo que contenía los rasgos
estratigráficos significativos del yacimiento
Cypress. El modelo incluía 72 capas, en una retí-
cula con cinco celdas por lado. A cada celda del
modelo se le asignaron valores de rayos gamma y
de resistividad provenientes de registros de pozos.
Los parámetros que definen la geometría del
modelo del subsuelo, es decir el espesor de cada
capa en cada punto de la retícula, fueron repre-
sentados en el modelo como una distribución de
probabilidad. La información del campo derivada
de los registros de pozos permitió definir la
media del espesor de cada capa. La combinación
de todos estos valores permitió a su vez definir el
vector medio del modelo. La incertidumbre res-
pecto del espesor de las capas y la interrelación
entre las incertidumbres asociadas con el espe-
sor en diferentes localizaciones, definen la matriz
de covarianza del modelo. El vector medio y la
matriz de covarianza definen la distribución de
probabilidad del modelo. Una distribución loga-
rítmica normal de espesor evita que el espesor
de una capa adopte valores negativos y describe
la población de valores de espesor mejor que una
distribución normal.
El modelo inicial fue restringido utilizando
horizontes picados de los registros de ocho pozos
vecinos. El procedimiento de inicialización daba
cuenta de la incertidumbre respecto de la pro-
fundidad medida del picado del horizonte y la
incertidumbre asociada con la trayectoria del
pozo. Esta distribución previa en el modelo 3D
del subsuelo constituyó el punto de partida para
la perforación del pozo piloto. Aún después de
incluida la información obtenida de los pozos
vecinos, la incertidumbre respecto de la localiza-

8 Oilfield Review
ción de la profundidad del tope de la zona obje-
tivo de 13 pies de espesor fue de aproximada-
mente 3 m [10 pies], un riesgo significativo para
un objetivo tan estrecho.8
Los científicos del Centro de Investigación Doll
de Schlumberger, situado en Ridgefield,
Connecticut, EUA, crearon una interfaz de usuario
para actualizar el modelo 3D del subsuelo en
forma rápida y sencilla, a través de una red de
computación global y segura. En colaboración con
los ingenieros apostados en el equipo de perfora-
ción de Indiana, especialistas en interpretación de
registros de Ridgefield actualizaron el modelo
durante la perforación. Más adelante en el pro-
ceso de perforación, otros intérpretes lograron
seguir la marcha de la perforación de la sección
horizontal en tiempo real desde Inglaterra y Rusia,
mediante el acceso a la red de Schlumberger. > Actualización interactiva. La interfaz del modelo consistente con los datos
Especialistas en interpretación de registros facilita la actualización del modelo tridimensional. Los espesores de las capas
compararon las mediciones de registros de rayos se indican en la gráfica de tipo cortina (arriba a la izquierda). La vista del mo-
delo del subsuelo indica las localizaciones de los pozos verticales existen-
gamma y de resistividad adquiridas durante la tes, el pozo piloto desviado y el pozo horizontal que estaba siendo perforado
perforación (LWD, por sus siglas en inglés) en (abajo a la izquierda). El intérprete ubica un marcador (línea amarilla) en la
tiempo real, con un modelo 3D del subsuelo que profundidad medida, que es sugerida por los datos de registros adquiridos
incluía la incertidumbre. Mediante la utilización durante la perforación (derecha). La flecha roja indica el cambio en la inter-
pretación de la información previa (línea roja). También se ingresa una incer-
del programa de computación, un intérprete pudo tidumbre respecto de la profundidad (ventana de diálogo). El programa actua-
picar un nuevo horizonte y asignar un valor de liza el modelo automáticamente sin intervención adicional por parte del usuario.
incertidumbre a esa localización (arriba, a la
derecha). El procedimiento de actualización com-
binaba automáticamente esta nueva información
con la distribución previa. La aplicación del pro-
cedimiento estadístico Bayesiano aseguraba que
se siguiera dando cuenta de los picados previos y Incertidumbre respecto Antes de la actualización
de toda la información de los pozos vecinos, y de la profundidad de la formación Cypress
que la interpretación estuviera correctamente
restringida (derecha).
El nuevo modelo basado en la distribución
posterior estuvo disponible de inmediato a través
de una interfaz segura de la Red, de manera que
los ingenieros apostados en el equipo de perfora-
ción pudieran actualizar el plan de perforación. El Incertidumbre respecto Después de
procedimiento se repetía cada vez que la barrena de la profundidad la actualización

atravesaba un nuevo horizonte. La distribución

posterior obtenida de la aplicación de datos pro-
venientes de un horizonte dado, pasaba a ser la
distribución previa para el siguiente horizonte. La
incertidumbre respecto de los horizontes aún no
alcanzados se reducía con cada iteración, dismi-
nuyendo así el riesgo del proyecto. > Incertidumbre respecto de la profundidad antes y después de la actualiza-
ción. Antes de la actualización (arriba a la izquierda), la gráfica de tipo cortina
7. Malinverno A, Andrews B, Bennet N, Bryant I, Prange M, indica que la incertidumbre respecto de la profundidad de la formación Cypress
Savundararaj P, Bornemann T, Li A, Raw I, Britton D y es de unos 2.4 m [8 pies] (banda naranja). Una vez actualizado el modelo 3D
Peters JG: “Real Time 3D Earth Model Updating While (extremo inferior izquierdo), la intersección de la trayectoria del pozo con el
Drilling a Horizontal Well,” artículo de la SPE 77525, pre- tope de la Formación Cypress en el modelo se encuentra a una profundidad
sentado en la Conferencia y Exhibición Técnica Anual de medida (MD, por sus siglas en inglés) de 920 m [3020 pies] (línea roja), y la
la SPE, San Antonio, Texas, EUA, del 29 de septiembre al
3 de octubre de 2002.
incertidumbre respecto de la profundidad es significativamente menor que
8. Ésta es la incertidumbre equivalente a una sigma, o una
antes. Los ejes verticales de las gráficas de tipo cortina (arriba y abajo a la
desviación estándar con respecto a la media. izquierda) representan la profundidad vertical verdadera.

Invierno de 2002/2003 9
 El pozo piloto aportó información para actua-
lizar el modelo cerca de la iniciación propuesta
del pozo horizontal. Los registros establecieron
que una capa con altos valores de permeabilidad,
cercana al centro de la columna de petróleo ori-
ginal, había sido inundada con agua de produc-
ción reinyectada. Esto reducía la ventana
disponible para la sección horizontal a la mitad
superior del intervalo del yacimiento. La sección
desviada del nuevo pozo se perforó con un incre-
mento angular de 4°/30 m [100 pies] para ingre-
sar en la formación cerca de la horizontal. El
modelo 3D del subsuelo se volvió a actualizar
durante la perforación del pozo, el cual logró
alcanzar con éxito la formación objetivo con un
ángulo de 89°. El problema siguiente era cómo
mantener la trayectoria del pozo dentro de un
intervalo productivo tan estrecho.
Los registros de resistividad LWD transmitidos
a la superficie en tiempo real resultaron críticos
para el mantenimiento de la trayectoria dentro
del espesor productivo (abajo a la derecha).
Schlumberger es la única compañía que puede
registrar imágenes durante la perforación y trans-
mitirlas a la superficie en tiempo real, utilizando
transmisión de pulsos a través del lodo. Las con-
figuraciones de la imagen generada por la herra-
mienta de Resistividad Frente a la Barrena RAB
mostraban claramente cómo la trayectoria del
pozo se mantenía paralela a estratificación de la
formación. Mediante la utilización del modelo 3D
del subsuelo, actualizado en tiempo real, los inge-
Parámetro Desviación estándar
Rayos gamma –+ 5%
Porosidad neutrón –+ 7%
Resistividad –+ 10%
∆T Sónico –+ 5%
–+ 0.015 g/cm
3
Densidad
Atenuación –+ 5%
> Error de los instrumentos. La desviación estándar
para la densidad es constante; todas las demás
constituyen un porcentaje del valor medido.
nieros de perforación lograron mantener el tramo
horizontal de 246 m [808 pies] de largo dentro de
una capa petrolífera de 1.8 m [6 pies] de espesor.
El pozo estaba equipado con registradores de
presión y válvulas de fondo de pozo que pueden
abrirse y cerrarse en tiempo real.9 Las válvulas,
instaladas en tres zonas independientes, pueden
fijarse en cualquier posición, desde totalmente
abiertas hasta totalmente cerradas. Estas válvu-
las permitieron a Schlumberger y a Team Energy,
LLC, hacer pruebas bajo una amplia gama de con-
diciones operativas. Actualmente, la producción
mezclada proveniente de dos zonas inferiores
suministra los mejores regímenes de producción
de petróleo. El corte de agua, equivalente a un
30%, es considerablemente mejor que el 95%
observado en los otros pozos del campo.
Si bien no fue utilizado en el pozo Simpson N°
22, el paquete de programas Bit On Seismic
ofrece la posibilidad de efectuar un análisis simi-
lar. Con la información obtenida con el sistema
SeismicVISION durante el proceso de perfora-
ción, se puede determinar la localización de los
marcadores durante la perforación. La estadís-
tica Bayesiana permite evaluar la incertidumbre
respecto de la localización de los futuros marca-
dores de perforación y ajustar la ventana del
objetivo de perforación.10
Determinación de la
incertidumbre en la formación
Para el problema de geoposicionamiento se uti-
lizó un modelo con distribuciones normales de
múltiples variables, o distribuciones Gaussianas,
que pueden resolverse analíticamente. Ante la
imposibilidad de suponer que las distribuciones
de las variables tienen una forma Gaussiana sim-
ple, o cuando los errores no son pequeños, el
método de Monte Carlo resulta más adecuado.
En este método, la función de distribución de pro-

9. Bryant ID, Chen M-Y, Raghuraman B, Schroeder R, Supp M,

Navarro J, Raw I, Smith J y Scaggs M: “Real-Time
Monitoring and Control of Water Influx to a Horizontal Well
Using Advanced Completion Equipped with Permanent
Aproximadamente 20 pies

Sensors,” artículo de la SPE 77522, presentado en la

Conferencia y Exhibición Técnica Anual de la SPE, San
Antonio, Texas, EUA, del 29 de septiembre al 3 de octubre
de 2002.
10. Breton P, Crepin S, Perrin JC, Esmersoy C, Hawthorn A,
Meehan R, Underhill W, Frignet B, Haldorsen J, Harrold
T y Raikes S: “Mediciones sísmicas bien posicionadas,”
Oilfield Review 14, no.1 (Verano de 2002): 34-49.
Bratton T, Edwards S, Fuller J, Murphy L, Goraya S,
Harrold T, Holt J, Lechner J, Nicholson H, Standifird W y
Wright B: “Prevención de problemas durante la perfora-
ción,” Oilfield Review 13, no. 2 (Otoño de 2001): 32-51.
11. Bailey W, Couët B, Lamb F, Simpson G y Rose P:
“Riesgos medidos,” Oilfield Review 12, no. 3
(Invierno de 2001): 22-37.
12. Verga F, Viberti D y Gonfalini M: “Uncertainly Evaluation in
Well Logging: Analytical or Numerical Approach?”
Transcripciones del 43er Simposio Anual de Adquisición
de Registros de la SPWLA, Oiso, Japón, 2 al 5 de junio de
2002, Artículo C.
Verga F y Viberti D: “Optimisation of the Conventional
Log Interpretation Process,” Geoingegneria Ambientale > Registros adquiridos durante la perforación (LWD) en una sección horizontal de 6 m [20 pies] de es-
e Mineraria (Geoingeniería Ambiental y Minería) 105, no. pesor. Las imágenes de resistividad LWD transmitidas a la superficie en tiempo real, muestran que el
1 (Marzo de 2002): 19-26. pozo se dirige hacia abajo en el sentido de la inclinación (echado abajo) (izquierda) y en dirección pa-
13. Worthington P: “The Evolution of Shaly-Sand Concepts ralela a la estratificación geológica (centro). Después de la perforación se descargan de la memoria
in Reservoir Evaluation,” The Log Analyst 26, no. 1
de la herramienta datos que permiten generar imágenes más detalladas de la pared del pozo (dere-
(Enero-Febrero de 1985): 23-40. También en Formation
Evaluation II—Log Interpretation, Tratado de Geología cha), que muestran la misma sección que la ilustración central. Se indican las inclinaciones estrati-
del Petróleo, Separata, No. 17, Tulsa, Oklahoma, EUA: gráficas interpretadas (en verde) y las fracturas (en púrpura). Las líneas rectas son indicadores de
Sociedad Americana de Geólogos del Petróleo, 1991. orientación.

10 Oilfield Review
babilidad puede tener una forma arbitraria pero
el procedimiento exige más capacidad computa-
cional que la requerida por un enfoque analítico.
En una simulación de Monte Carlo, los valores
para los parámetros se seleccionan en forma ale-
atoria a partir de la población posible y luego se
resuelve el escenario en cuestión. La iteración de
una selección aleatoria, seguida por la inversión
del modelo repetidas veces, conduce a una dis-
tribución de resultados de dicho escenario.11
En cooperación con investigadores de la
Universidad Politécnica de Torino, Italia, Eni Agip
realizó una evaluación de incertidumbre respecto
del volumen de lutita, de la porosidad y de la
saturación de agua en diversas formaciones de
areniscas y lutitas.12 Durante el estudio se com-
paró el enfoque analítico que asume distribucio-
nes normales y resulta sencillo desde el punto de
vista computacional, con el método de Monte
Carlo que plantea mayor complejidad.
Las formaciones estudiadas tenían litologías
similares pero en cada una se advertían propie-
dades eléctricas, intervalos de porosidad y canti-
dades de lutita diferentes. La incertidumbre se
aplicó solamente a las mediciones de registros,
incluyendo los registros de resistividad, neutrón,
densidad, rayos gamma, sónico y los de la herra-
mienta de Propagación Electromagnética EPT.
El error de los instrumentos fue utilizado para
definir una desviación estándar en la distribución
de la incertidumbre (página anterior, arriba).
Cuando el contenido de lutita era desprecia-
ble, se utilizaba el modelo de Archie en el análi-
sis para determinar la saturación de agua, Sw. El
análisis no daba cuenta de la incertidumbre rela-
cionada con mediciones de a, m y n efectuadas
en núcleos. Si bien es factible incluir el error en
estas mediciones de núcleos, por razones de sim-
plificación se omitió ese paso en este estudio.
Existe una relación hiperbólica entre Sw y porosi-
dad, que distorsiona la distribución de incerti-
dumbre en el análisis (abajo). Una distribución
normal del error de porosidad genera una distri-
bución logarítmica normal del error de Sw. Dado
que Sw no puede ser superior al 100%, cerca de
ese límite la distribución se distorsiona aún más.
Los dos procedimientos de análisis de error
generan bandas de incertidumbre similares para
la porosidad total y la porosidad efectiva, salvo en
los valores de porosidad bajos donde las distribu-
ciones de error se ven afectadas por las restric-
ciones impuestas sobre los valores de porosidad,
los volúmenes de lutita y los volúmenes de la
matriz, para que oscilen entre cero y uno.
En la actualidad, el mejor procedimiento para
determinar el contenido de lutita utiliza datos
espectroscópicos aportados por herramientas
tales como la sonda de Espectroscopía de
Captura Elemental ECS. Los datos de concentra-
ción elemental se convierten en contenido de
arcilla utilizando la aplicación SpectroLith para el
procesamiento litológico. Pero, para estos pozos
no se disponía de tales datos. La industria ha uti-
lizado diversos indicadores del volumen de lutita,
Vlutita, incluyendo dos indicadores derivados de
registros corridos en estos pozos. Tanto los regis-
tros de rayos gamma como los de EPT proveen
resultados razonables para Vlutita en condiciones
ideales, pero esas condiciones varían para cada
indicador (abajo). Si se emplea un enfoque deter-
minístico, la práctica común en la industria con-
siste en aceptar el indicador Vlutita que tenga el
valor más bajo en cada nivel.13 Una simulación de
Monte Carlo proporcionó el análisis de incerti-
dumbre para el volumen de lutita utilizando dos

0.30 Vlutita
0 0.2 0.4 0.6 0.8 1.0
0.25 2846
0.20
Frecuencia

0.15 2847
0.10

0.05
2848
0
0 0.2 0.4 0.6 0.8 1.0
Saturación de agua, fracción
2849
Porosidad

1
⁄n
Profundidad, m

a Rw 2850
Sw = m
O t Rt

2851

2852

Saturación de agua 2853

> Relación no lineal entre parámetros petrofísicos que afectan las distribu- 2854
ciones de probabilidad. La relación de Archie (fórmula) para una formación
dada con factores a, m, n y Rt constantes, genera una relación hiperbólica
entre la saturación de agua, Sw y la porosidad (en azul). Esta relación distor- 2855
siona las distribuciones de frecuencia que se muestran a lo largo de los ejes.
Una distribución de incertidumbre normal en torno a un valor de porosidad > Determinación del volumen de lutita a partir de
dado (en verde), se convierte en una distribución logarítmica normal para la dos indicadores. El registro de rayos gamma (en
incertidumbre resultante respecto de Sw (en rojo). El valor medio (guiones rojo) y la curva de atenuación del registro EPT
amarillos) y los puntos tres sigma (guiones púrpura) muestran la distribución (en azul), por separado, aportan un indicador del
de Sw sesgada. Las distribuciones de Sw determinadas por el modelado de volumen de lutita. El mínimo de los dos indicado-
Monte Carlo se distorsionan en los valores altos ya que la saturación no res fue tomado como el estimador de Vlutita (som-
puede superar el 100% (recuadro). bra púrpura).

Invierno de 2002/2003 11
 Porosidad
Porosidad neutrón
Saturación de agua Saturación de agua
Rayos gamma, unidades API Resistividad, ohm-m Densidad total, g/cm3 Porosidad de densidad (método analítico) (método numérico)
0 50 100 150 0.1 1 10 100 2 2.5 3 0.6 0.4 0.2 00 0.2 0.4 0.6 0.8 10 0.2 0.4 0.6 0.8 1
1206

1208

1210

1212
Profundidad, m

1214

1216

1218

1220

1222

1224
> Incertidumbre en las mediciones petrofísicas. En los tres primeros carriles se muestran los registros de rayos gamma, resistividad y densidad correspon-
dientes a una formación gasífera de baja porosidad. Una curva del registro de porosidad neutrón (en verde) se compara con la porosidad deducida de la
densidad total (en azul), que se muestra con un error de una desviación estándar (en rosa) (Carril 4). La saturación de agua (en azul) se calculó utilizando la
ecuación de Archie, mediante un método analítico (Carril 5) y el método numérico de Monte Carlo (Carril 6). Las bandas de incertidumbre marcadas en
color rosa indican una desviación estándar de una sigma. La incertidumbre del límite inferior cerca de los 1209 m [3967 pies] y entre los 1212 y 1214 m [3977
y 3983 pies] es mucho mayor si se utiliza el método analítico que si se emplea el método numérico de Monte Carlo.

indicadores, uno proveniente del registro de Vlutita, fracción

rayos gamma y el otro de la curva de atenuación 0 0.2 0.4 0.6 0.8 1.0
2846
del registro EPT (derecha).
Se aplicó el modelo de Archie a una formación
de areniscas gasíferas de baja porosidad y se 2847
observó que los resultados acerca de la incerti-
dumbre calculada por el método analítico, dife-
2848
rían de los resultados de la incertidumbre
calculada por el método numérico para valores de
saturación de agua altos (arriba). Los límites 2849
Vlutita como mínimo
superiores sobre el error eran similares, pero el
Vlutita (Rayos gamma)
procedimiento de Monte Carlo indicó límites infe-
Profundidad, m

2850 Vlutita (EATT)

riores mucho más ajustados sobre el resultado,
que los indicados por el procedimiento analítico. 0.4
La discrepancia se producía fundamentalmente 2851
Desviación estándar

en las regiones de menor porosidad (próxima 0.3

página). El método analítico sobrestima sustan-
2852 0.2
cialmente la incertidumbre en la saturación del
agua—que resulta 1.6 veces superior al valor de 0.1
saturación calculado—mientras que la incerti- 2853
dumbre calculada mediante la aplicación del 0
0 0.2 0.4 0.6 0.8 1.0
método numérico es consistentemente despre- Vlutita, fracción
2854
ciable en las formaciones de baja porosidad.
Una formación de areniscas gasíferas con altos
valores de porosidad también mostró ciertas dis- 2855
crepancias entre los métodos de evaluación de la > Incertidumbre en el volumen de lutita. En un análisis de Monte Carlo del volumen de lutita se utiliza-
incertidumbre, pero sólo para zonas con una poro- ron las curvas de rayos gamma y las curvas de atenuación del registro EPT (EATT) (izquierda). La
sidad inferior al 15%. Sin embargo, la buena con- incertidumbre muestra una desviación estándar equivalente a una sigma (guiones rojos) en torno al
Vlutita mínimo (en púrpura). En un gran número de simulaciones de Monte Carlo con distribuciones de
14. Verga y Viberti, referencia 12. incertidumbre para los registros de rayos gamma y EPT, a veces el registro de rayos gamma indicará
15. Metropolis N, Rosenbluth AW, Rosenbluth MN, Teller AH
un contenido mínimo de lutita y otras veces ese mínimo provendrá del registro EPT. El promediado de
y Teller E: “Equation of State Calculations by Fast las realizaciones genera una desviación estándar del resultado (en naranja) que cae entre las desvia-
Computing Machines,” Journal of Chemical Physics 21, ciones estándar del registro de rayos gamma (en púrpura) y del registro EPT (en rojo) (recuadro).
no. 6 (Junio de 1953): 1087-1092.

12 Oilfield Review
cordancia general observada debería considerarse
propia de este caso por las siguientes razones:
• En rocas del yacimiento raramente se obser-
van intervalos de porosidad alta (superior al
33%).
• Sólo algunas combinaciones especiales de
los parámetros de Archie no amplifican el
error propagado de los registros de porosidad.
• La fórmula de Archie no da cuenta de los
errores asociados con el volumen de lutita,
pero en las formaciones en las que la frac-
ción de lutita no es despreciable, la incerti-
dumbre en la determinación del volumen
de lutita contribuye a la incertidumbre res-
pecto de la saturación de agua.
Para analizar las formaciones de areniscas
arcillosas se utilizaron modelos para computar la
saturación de agua más complejos que la ecua-
ción de Archie. Las propiedades petrofísicas de
las rocas proporcionaron la base para la selección
del modelo que mejor se adecuaba a cada forma-
ción. Los análisis demostraron que la forma de la
Formación de alta porosidad
0.25
0.20
Error relativo
relación matemática entre la saturación de agua
y el volumen de lutita incidía en la incertidumbre
respecto de la saturación de agua.14
La aplicación de la simulación de Monte Carlo
permitió realizar una evaluación más rigurosa de
la incertidumbre y el riesgo asociados con los
resultados de un proceso de interpretación de
registros, porque el método no se limita a una
distribución normal. Los resultados de este análi-
sis demostraron que había que seleccionar y
adaptar a cada formación un modelo adecuado
para obtener una distribución de probabilidad
coherente de los hidrocarburos en sitio y para
efectuar evaluaciones económicas del campo
confiables (véase “Obtención del modelo
correcto,” página 16).
Una trayectoria aleatoria
en busca de una solución
Los métodos de Monte Carlo también han sido
aplicados a problemas inversos. El objetivo de
este tipo de análisis consiste en inferir el valor de
Resultado analítico
Resultado numérico
los parámetros de un modelo basado en una serie
de mediciones, tales como la obtención de veloci-
dades sísmicas del subsuelo a partir de un levan-
tamiento sísmico. Sin embargo, la aplicación de
una metodología de Monte Carlo directa implica
un proceso lento porque sólo una pequeña propor-
ción de los modelos del subsuelo seleccionados al
azar se ajusta a las mediciones.
Con una gran cantidad de parámetros, la
simulación de Monte Carlo con Cadenas de
Markov (MCMC, por sus siglas en inglés) resulta
más eficaz. La simulación comienza en un punto
aleatorio, o estado, en el espacio de los paráme-
tros, y se perturban los parámetros siguiendo una
trayectoria aleatoria en su espacio. A cada
estado en el espacio de los parámetros se le
puede asignar un valor de mérito asociado, que
mide la calidad de esa selección de parámetros
en particular. Cada paso de la trayectoria aleato-
ria es aceptado con una probabilidad determi-
nada por la regla de Metropolis: si el nuevo
estado es mejor que el anterior, siempre se
acepta el paso dado; de lo contrario, se acepta el
paso dado con una probabilidad equivalente a la
relación de los valores de mérito entre el nuevo
estado y el anterior.15 Por ejemplo, si el nuevo
estado es cinco veces peor que el anterior, se
aceptará el paso dado con un 20% de probabili-
dad. Es como si un borracho siguiera un recorrido

0.15 al azar en un terreno escarpado. En cada paso

dado, el borracho prueba si el siguiente paso en
0.10 una dirección elegida al azar será fácil o difícil de
dar. La percepción del borracho es defectuosa, de
0.05 modo que a veces dará un paso cuesta arriba
pero, a la larga, el recorrido será cuesta abajo. En
0
0 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 definitiva, la trayectoria aleatoria seguirá ron-
Porosidad, fracción
dando el fondo del valle.
Dentro del contexto Bayesiano, la prueba
Formación de baja porosidad involucra a la probabilidad posterior, lo cual equi-
1.8 vale a considerar el producto entre la probabili-
1.6 dad previa y la función de posibilidad. El valor de
1.4 mérito para la realización de un movimiento es la
1.2 relación entre las probabilidades posterior del
Error relativo

1.0 estado propuesto y del estado actual.

0.8 Dado que la elección inicial es aleatoria, el
0.6 procedimiento puede comenzar en un estado muy
0.4 improbable. Hay un período de iniciación que
0.2 incluye los pasos dados a medida que la regla de
0 Metropolis se traslada a un estado de valores de
0 0.05 0.10 0.15 0.20 0.25
Porosidad, fracción
parámetros probables. Después de ese período,
la distribución de estados se aproxima a la distri-
> Error relativo de la saturación de agua para los diversos valores de po- bución posterior de los parámetros.
rosidad en areniscas arcillosas gasíferas. El error relativo, o incertidum- Schlumberger utilizó el análisis Bayesiano con
bre, asociado con la saturación de agua es una función suave para los el algoritmo de MCMC-Metropolis a fin de evaluar
resultados analíticos (en rojo), los que sobrestiman el error cuando la
porosidad es baja en comparación con los resultados numéricos (en púr-
un perfil sísmico vertical (VSP) con desplaza-
pura). Tanto una formación de alta porosidad (gráfica superior) como una miento sucesivo de la fuente para un pozo ubicado
de baja porosidad (gráfica inferior) muestran una tendencia similar. en una región marina de África Occidental.

Invierno de 2002/2003 13
 El operador registró un VSP con desplazamiento
sucesivo de la fuente debido al exceso de presión
X800
observado en el pozo. Los datos de ese VSP se
extendían hasta un desplazamiento máximo de
2500 m [1.6 millas] respecto de la boca de pozo
(próxima página, a la derecha).16 X900
El conjunto de datos fue utilizado posterior-
mente para investigar la incertidumbre asociada
con la predicción de las propiedades elásticas de Y000

Tiempo de tránsito de ondas P, mseg

la formación ubicada debajo de la barrena. Los
parámetros del modelo en el modelo del subsuelo
son la cantidad y el espesor de las capas de la for-
Y100
mación, así como la velocidad de las ondas com-
presionales (ondas P), la velocidad de las ondas de
corte (ondas S) y la densidad de la formación para
cada capa. Dado que estas cantidades no se cono- Y200
cen antes de comenzar la perforación, la determi-
nación de las mismas sobre la base de datos del
VSP con desplazamiento sucesivo de la fuente Y300
constituye un problema inverso; esto lo convierte
en un candidato adecuado para aplicar un proce-
dimiento Bayesiano. La información previa incor- Y400
pora el conocimiento de estos parámetros en la
95% de las
porción ya perforada del pozo (derecha). La incer- realizaciones
tidumbre respecto de los parámetros aumenta con
la distancia respecto de los valores conocidos; Y500
2000 3000 4000 500 1000 1500 2000 2500 2.0 2.2 2.4 2.6
esto es, respecto de la profundidad perforada en Vp, m/seg Vs, m/seg Densidad, g/cm3

16. Rutherford J, Schaffner J, Christie P, Dodds K, Ireson D,

> Distribuciones previas para un VSP. Las bandas de incertidumbre de la velocidad de ondas compre-
Johnston L y Smith N: “ Borehole Seismic Data Sharpen sionales P (izquierda), de la velocidad de ondas de corte S (centro) y de la densidad (derecha), se
the Reservoir Image,” Oilfield Review 7, no. 4 (Invierno basan en valores del tramo de pozo ubicado por encima del receptor y aumentan de tamaño a mayo-
de 1995): 18-31. res profundidades. Las bandas grises limitan el 95% de las realizaciones.

X800

X900
Tiempo de tránsito de ondas P de incidencia normal, mseg

Y000

Y100

Y200

Y300

Y400

Y500
2000 3000 4000 2000 3000 4000 2000 3000 4000 2000 3000 4000 2000 3000 4000
Vp, m/seg Vp, m/seg Vp, m/seg Vp, m/seg Vp, m/seg

> Perfil de velocidad de ondas compresionales de la simulación de Monte Carlo con Cadenas de Markov (MCMC). Las cuatro realizaciones de la velocidad
de ondas P mostradas se combinan con varios miles de otras realizaciones en un procedimiento MCMC para obtener la distribución de la derecha. La
oscuridad de la banda indica la cantidad de realizaciones que tienen una velocidad determinada de ondas P a una profundidad dada; las bandas más oscu-
ras indican los valores más probables.

14 Oilfield Review
 < Incertidumbre de un VSP con desplazamiento
X100 sucesivo de la fuente. Los datos de tiempo de
tránsito de un VSP con desplazamiento sucesivo
X200 de la fuente (centro) fueron utilizados en un
modelo inverso para determinar los parámetros
X300 de velocidad y de densidad. Se utilizaron los
datos de tiempo de tránsito, provenientes direc-
X400 tamente de la zona debajo del pozo (cuadro
negro), para simular un VSP sin desplazamiento
Profundidad, m

de la fuente, lo cual condujo a amplias distribu-

X500
ciones de parámetros, convertidas del dominio
del tiempo al dominio de la profundidad (arriba).
X600 Cuando se utiliza todo el grupo de datos VSP, la
distribución de incertidumbre en el dominio de la
X700 profundidad (abajo) es mucho más ajustada que
para los datos obtenidos sin desplazamiento de
X800 la fuente. Los resultados de las mediciones
adquiridas durante la perforación (curvas rojas,
X900 arriba y abajo) concuerdan más con la predic-
ción efectuada utilizando todo el grupo de datos
Y000 que con la generada utilizando la porción
correspondiente a un desplazamiento cero.
Y100
2000 3000 4000 5000 1000 2000 1.8 2.0 2.2 2.4 2.6 2.8
Vp, m/seg Vs, m/seg Densidad, g/cm3 ese momento. Esta información previa y los datos
del VSP con desplazamiento sucesivo de la fuente,
se utilizaron para desarrollar la función de probabi-
X800 lidad en el procedimiento MCMC. Es posible enton-
X900 ces desarrollar la distribución de probabilidad de
los parámetros mediante la superposición de unos
Y000
cuantos miles de modelos del subsuelo que se ajus-
Tiempo de tránsito, mseg

Y100 ten a los datos VSP, (página anterior, abajo).

Y200 El primer análisis se restringió a las reflexio-
Y300 nes sísmicas cercanas al pozo. Ésta sería la infor-
Y400
mación disponible de un levantamiento sísmico
sin desplazamiento lateral de la fuente (izquierda).
Y500
Y600
Y700 VSP con desplazamiento sucesivo de la fuente

–2500 –2000 –1500 –1000 –500 0 500 1000 1500 2000 2500
Desplazamiento, m

X100

X200

X300

X400
Profundidad, m

X500

X600

X700

X800
> Perfil sísmico vertical (VSP) con desplazamien-
X900
to sucesivo de la fuente. El receptor se encuen-
tra fijo en el pozo y se dispara una serie de fuen-
Y000 tes a medida que la ubicación del punto de tiro
“se aleja” del equipo de perforación. En una con-
Y100 figuración sin desplazamiento de la fuente (con
2000 3000 4000 5000 1000 2000 1.8 2.0 2.2 2.4 2.6 2.8 desplazamiento cero), sólo se utiliza una fuente
Vp, m/seg Vs, m/seg Densidad, g/cm3 cercana al equipo de perforación.

Invierno de 2002/2003 15
La banda de incertidumbre asociada con las pro-
piedades elásticas predichas es bastante ancha.
La inclusión de todo el grupo de datos hace que
la banda de incertidumbre sea mucho más ajus-
tada; la información de velocidad obtenida de los
datos de longitud de onda larga proviene de la
variación de los tiempos de arribo de las reflexio-
nes respecto del desplazamiento del VSP con
desplazamiento sucesivo de la fuente. Esta
mejora en la incertidumbre representa el
aumento del valor de la información obtenida con
un VSP con desplazamiento sucesivo de la fuente
frente a un VSP sin desplazamiento lateral de la
fuente. Esto puede combinarse con un análisis
financiero global del proyecto para determinar la
reducción del riesgo cuando se dispone de la
nueva información.

Obtención del modelo correcto

En ciertos casos, la incertidumbre predominante
quizás no radique en los parámetros de un > Superficie fractal en un modelo de simulación. Se muestrea una superficie
modelo de subsuelo sino en saber qué escenario sintética, generada mediante la utilización de una función fractal en una retí-
aplicar. Los datos disponibles probablemente no cula de 16 por 16, asumiendo que las líneas sísmicas viajan verticalmente
desde la superficie.
resulten adecuados para diferenciar el marco
geológico, tal como un depósito fluvial o un depó-
sito de marea. La presencia y cantidad de fallas y La estadística Bayesiana puede ser aplicada nes sísmicas 3D pueden resolver rasgos de
fracturas puede ser incierta y la cantidad de a distintos escenarios a fin de determinar el menos de 10 m [33 pies] por 10 m. La confección
capas que constituyen o descansan sobre una tamaño correcto para confeccionar un modelo de de modelos de yacimientos con celdas tan
formación puede ser confusa. yacimiento sobre la base de los datos sísmicos. pequeñas daría como resultado modelos enor-
El mismo análisis Bayesiano es aplicable a la Las modernas técnicas de generación de imáge- mes y ello generaría problemas computacionales
elección del escenario adecuado tal como se ha
aplicado a la determinación de probabilidades en
un escenario determinado. Los posibles escena- 10 100 1000
rios son designados mediante una serie de hipóte-
sis, Hi, donde el subíndice i designa un escenario.
La probabilidad posterior de interés es la probabi-
Logaritmo de la posibilidad

lidad de que un escenario Hi sea correcto cuando

se conocen los datos P(Hi|d). El denominador en la
regla de Bayes depende sólo de los datos, no del
escenario. Por lo tanto, es una constante. Para la Especificación insuficiente Especificación en exceso
comparación de escenarios utilizando la regla de
Bayes, hay que comparar el producto entre la pro-
babilidad previa P(Hi) y la posibilidad, P(d|Hi), la
probabilidad de medir los datos d cuando el esce-
nario Hi es verdadero. Cantidad de celdas

17. La ventaja de una superficie fractal para este análisis > Tamaño óptimo del modelo. Para un nivel de ruido equivalente a 5 mseg,
fue que, independientemente de la densidad de la retí- existe un tamaño óptimo de retícula que consiste de 25 celdas (flecha). Los
cula del modelo, éste nunca pudo ajustarse a la superfi-
cie. modelos más pequeños carecen de especificación suficiente y la información
18. Bailey W, Mun J y Couët B: “A Stepwise Example of Real
se pierde. Los modelos más grandes tienen un exceso de especificación y el
Options Analysis of a Production Enhancement Project,” ruido se modela junto con los datos.
artículo de la SPE 78329, presentado en la 13ª
Conferencia Europea del Petróleo, Aberdeen, Escocia, 29
al 31 de octubre de 2002.

16 Oilfield Review
y de visualización. Por otra parte, aunque los
datos se procesaran hasta ese nivel, hay ruido
presente en los mismos. El tamaño óptimo para la
retícula del modelo debería ser más grande que
el de la resolución de los datos de manera que el
ruido, o el error, no se propague en la retícula del
modelo.
El objetivo es obtener un modelo que con-
tenga el grado de complejidad óptimo, alcan-
zando un equilibrio entre la necesidad de
mantener el modelo pequeño y el requerimiento
de lograr el modelo más predictivo posible. El
análisis estadístico permite que la información
contenida en los datos determine el tamaño del
modelo, dando cuenta de las mediciones, el ruido
y las predicciones deseadas.
Para ilustrar este concepto, se generó una
superficie fractal para el modelado numérico
(página anterior, arriba).17 Las mediciones sísmi-
cas fueron simuladas utilizando rayos sísmicos
verticales a partir de una retícula de 16 por 16,
con un muestreo regular desde la superficie del
volumen hasta la superficie fractal. Se adicionó a
las mediciones el ruido distribuido normalmente
con una desviación estándar conocida. Se proba-
ron retículas cuadradas, de entre 2 y 16 celdas
por lado, utilizando la estadística Bayesiana para
hallar el tamaño de retícula óptimo del modelo
(página anterior, abajo). Para un nivel de ruido
dado, los modelos con muy pocas celdas no se
ajustan adecuadamente a los datos; los modelos
con demasiadas celdas se ajustan tanto al ruido
como a los datos.
En este caso, la probabilidad previa P(Hi) será
igual para todos los escenarios, ya que no existe
información previa que favorezca un tamaño de
retícula más que otro. El escenario con la canti-
dad de celdas de la retícula que optimiza la posi-
bilidad es el mejor. El número óptimo es una
función de la cantidad de ruido presente en los
datos (arriba, a la derecha). Cuando se aplicó un
nivel de ruido de 5 mseg a los datos de la super-
ficie fractal, la retícula óptima resultó ser de 25
celdas.
En este ejemplo se utiliza una retícula simple,
pero la formulación Bayesiana puede aplicarse a
modelos de complejidad arbitraria. Esto permiti-
ría, por ejemplo, un refinamiento óptimo de la
retícula en las adyacencias de un pozo donde se
Invierno de 2002/2003
300
0.77
Factor de reducción de la retícula
Cantidad óptima de celdas
100 0.39
0.19
0.10
0.06
10
0 2 4 6 8 10
Ruido, mseg
> Efecto del ruido sobre el tamaño del modelo. Si el ruido o el error de medición
es mínimo, entonces se necesitan muchas celdas en la retícula del modelo para
describir la información. Al aumentar el nivel de ruido, se requieren menos cel-
das en la retícula para incluir toda la información relevante en un modelo.
dispone de mediciones más detalladas. La utili- más complejos se basen en ese fundamento,
zación de una retícula óptima a lo largo de toda pudiéndose observar fácilmente, en cada paso, las
la secuencia de tareas de interpretación ofrece suposiciones y la información conocida. La esta-
varias ventajas, tales como: dística Bayesiana provee este formalismo riguroso.
• modelos más pequeños que no comprome- La determinación de la incertidumbre en el
ten las mediciones resultado de un análisis de variables múltiples
• resolución local variable para optimizar la constituye un paso importante, pero no la totali-
utilización de los datos dad del recorrido. Puede proveer una diferencia-
• modelos que contienen intrínsecamente ción entre trayectorias; por ejemplo, la decisión
información de incertidumbre. de adquirir más información o no. Resulta de uti-
lidad para la evaluación de portafolios, en los
Reducción de la incertidumbre futura cuales el grado de riesgo que implica el desarro-
La estadística Bayesiana fue desarrollada hace llo de un grupo de activos se compara con la
más de 200 años, pero en la industria de explora- recompensa potencial. El análisis de opciones
ción y producción, así como en muchas otras indus- reales incluye el valor de la obtención de infor-
trias, su utilización recién ha comenzado a crecer. mación en el futuro y el análisis Bayesiano puede
Si bien la ecuación tiene una forma simple, su apli- contribuir a indicar ese valor al mostrar el cambio
cación puede requerir álgebra matricial compleja. en la incertidumbre.18
Muchos problemas de nuestra industria implican La industria de E&P ha vivido con riesgo desde
grandes cantidades de parámetros, lo cual genera sus comienzos. Estas nuevas herramientas no eli-
matrices de gran tamaño y la necesidad de contar minarán el riesgo, pero al cuantificar la incerti-
con una capacidad computacional considerable. dumbre y rastrear su propagación a través de un
La aplicación del formalismo Bayesiano a cier- análisis, las compañías podrán tomar mejores
tas situaciones, tales como un modelo de yaci- decisiones comerciales e inclinar la balanza de la
miento completo, quizás trascienda las relación riesgo-recompensa hacia la posición de
capacidades actuales. Sin embargo, la aplicación mayor recompensa-menor riesgo. —MAA
de un proceso estadístico riguroso a las partes
accesibles del modelo, permite que los modelos
17