Presentacion Curso Risk Opt

Evaluación de
GEOTECH Yacimientos &

Tecnología de
Computación Avanzada
Entrenamiento
Análisis Cuantitativo de Riesgo e

Incertidumbre Probabilístico en
Proyectos de Inversión
www.geotechdecision.com
… como atacarlos
Real Options | Efficient Frontier

Monte Carlos Simulation
Del 22 al 26 de Noviembre de 2010

Hotel Best Western
Maturin
República Bolivariana de Venezuela
Rodolfo E., Pérez S. Msc

Senior Risk Consulting
Instructor
info@geotechdecision.com
www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved
Evaluación de
Tecnología de
… Aprenda a ser confiado, eficiente y

responsable al momento de adoptar
decisiones criticas dentro de su
corporación

Evaluación de
Tecnología de
Evaluación de
Tecnología de
Evaluación de
Tecnología de
• La tarea fundamental de los analistas de proyectos u opciones de inversión es contribuir directa

Premisas
o indirectamente a que los recursos disponibles en la economía sean asignados en la forma más
racional entre los distintos usos posibles.
• Quienes deben decidir entre las diversas opciones de inversión o quienes deban sugerir la
movilización de recursos hacia una opción determinada, asumen una gran responsabilidad, pues
sus recomendaciones pueden afectar en forma significativa los intereses de los inversionistas
(públicos o privados), al estimular la asignación de recursos hacia unas opciones en detrimento
de otras.
• Este proceso implica definir figuras de mérito o indicadores que permitan calificar las
diferentes opciones de utilización de los recursos, en sus usos más eficientes; en otras palabras,
la tarea de evaluar consiste en cuantificar ciertas magnitudes asociadas a cada opción de
inversión y convertirlas en cifras financieras con el fin de obtener indicadores útiles para medir
su bondad.
• El análisis financiero de opciones provee las metodologías para determinar las ventajas y
desventajas que se pueden esperar de asignar o no recursos hacia objetivos determinados y la
misma implica la organización, estudio y análisis de los diferentes factores de orden económico,
técnico, financiero, administrativo e institucional asociados a cada opción de inversión.

Evaluación de
Tecnología de
Evaluación de
Tecnología de
1
2
3

Evaluación de
Tecnología de
Evaluación de
FRONT-END-LOADING
Mejor Práctica para el desarrollo de Proyectos Tecnología de
Espacio de decisiones estratégicas: Espacio de ejecución estratégica:

identificación de valor materialización de valor
VISUALIZAR DEFINIR EJECUTAR OPERAR
PD CONCEPTUALIZAR PD PD PD PD
(DSD) (DSD) (DSD) (DSP) (DSP)
Evaluar el proyecto
Generación de Selección y Construir y operar
Finalizar alcance para asegurar su
escenarios, optimización de acuerdo al
del proyecto, desempeño de acuerdo
factibilidad del alcance, costos y
costo, a las especificaciones
técnico- mejor cronograma
cronograma, y retornos de las
económica del escenario optimización final y inversiones
proyecto y
obtención del
alineación con
presupuesto
las estrategias
de negocio
DSD – Documento de soporte de decisión PD – Punto de decisión

Evaluación de
Tecnología de
Grado de Influencia e Inversiones
I I
N N
F V
L E
U R
E S
N Front End Loading I
C O
I N
A E
S
Diseño
Diseño Construcción
Construcción Arranque
Arranque
a c
ciiónn a c
ciióónn iióón
z
li za izza i c detallado yy
detallado
Vi
issuuaa ep
p ttuuaalli D
n
fiin
Deef
V ncce procura
procura
Coon
C www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved
Evaluación de
Tecnología de
Etapa
Etapa
Explotación
Explotación
Buena
Buena Buena
Definición
Definición ejecución
(varios
(variosescenarios)
escenarios) AA
BB
Pobre
ejecución
Pobre
Pobre definición
definición
(escenarios
(escenarios limitados)
limitados)
CC
DD
Actividades
Actividades
•• Establecer
Establecer •• Analiza
Analizariesgos
riesgos •• Ingeniería
Ingenieríabásica
básicadel
del
escenarios
escenarios •• Evaluación
Evaluaciónyy escenario
escenarioseleccionado
seleccionado
•• Identificación
Identificaciónde
de jerarquización
jerarquizaciónde
de •• Evaluación
Evaluacióneconómica
económica
riesgos
riesgos escenarios
escenarios
•• ¿Calidad
¿Calidaddel
deltrabajo
trabajotécnico
técnicoyy
•• ¿Tenemos
¿Tenemos •• ¿Es
¿Eselelmejor
mejor económica
económicaok?
ok?
rentabilidad
rentabilidad// escenario?
escenario?
Dictamen
Dictamen factibilidad?
factibilidad?

Evaluación de
Tecnología de
Etapa
Objetivo
Actividades
Estimados de
Costos
Costo de
Esfuerzo*
Dictamen
*referidos al total del Proyecto
D Punto de Dictamen
Administrando Riesgo e Incertidumbre

Evaluación de
Tecnología de
“Es preferible estar aproximadamente correcto
que exactamente equivocado”

Evaluación de
Tecnología de
1
2 3 4
5
6
7
Incertidumbre
Evaluación de
Tecnología de
Certidumbre
Evaluación de
Tecnología de
El nivel de conocimiento acerca de un proceso específico puede variar desde el extremo de no saber
absolutamente nada acerca del mismo (ignorancia total), hasta el extremo de llegar a entender y modelar
completamente su comportamiento (certidumbre total).
El escenario más común es el de la incertidumbre; es decir, disponer de un nivel de conocimiento que es

mayor que la ignorancia total; pero que no alcanza el estado de certidumbre total.
CERTIDUMBRE TOTAL
Niveles de Conocimiento
INCERTIDUMBRE
IGNORANCIA TOTAL
El grado de separación entre nuestro nivel de conocimiento del proceso, y el estado de certidumbre total se
define como nuestro nivel de incertidumbre
“La Incertidumbre es una medida de la inseguridad o grado de desconocimiento acerca

de una variable, proceso o fenómeno bajo estudio”

Evaluación de
Tecnología de
Incertidumbre - Fuentes
Del nivel de
conocimiento de
Sistemas / Procesos
De donde viene la
Incertidumbre ?
De la variabilidad
inherente de
Sistemas / Procesos

Evaluación de
Tecnología de
Como tomar decisiones en presencia de Incertidumbre?
GAP DE OPCIONES
Evaluación de
Tecnología de
Administración de la Incertidumbre
"Administrar la incertidumbre es el arte de tomar decisiones cuantificando aquello que no se
observa a simple vista, evaluando su impacto en el modelo de decisión y mejorando nuestro
nivel de conocimiento cuando ello es técnicamente factible y económicamente rentable”.
Valor de la Información

Evaluación de
Tecnología de
“ Sin incertidumbre, no hay riesgo ”

Evaluación de
Tecnología de
Riesgo
Incertidumbre
Incertidumbre Riesgo
Riesgo
El riesgo es un término de naturaleza probabilística, que se define como “egresos o pérdidas
probables consecuencia de la ocurrencia de un evento no deseado o falla”.
Matemáticamente el riego asociado a una decisión o la ocurrencia de una falla o evento viene dado
por la expresión:
Ra(t) = pa(t) x ca(t)
Ra(t): Riesgo del evento “a” en el tiempo “t”

pa(t): Probabilidad de que ocurra el evento no deseado “a” en el tiempo “t”
Ca(t): Consecuencias de la probable ocurrencia del evento no deseado “a” en el tiempo “t”
Evaluación de
Tecnología de
“ El análisis de riesgo es una ciencia de
toma de decisiones en ambientes con
incertidumbre ”

Evaluación de
Tecnología de
Escuelas de Análisis de Riesgo
Escuela Básica : Análisis de Riesgo por Índices
Subjetivos de Riesgo
• Herramienta Base de Análisis: Matrices de Multiples Atributos
Área 1: • Producto: Calificación del Riesgo (Alto, Medio, Bajo)
Dimensionamiento del •Virtud: Velocidad y Facilidad del Análisis
Riesgo
• Debilidad: Subjetividad y Inauditabilidad del Análisis
Escuela Avanzada: Análisis Cuantitativo de

Riesgo – Quantitative Risk Analysis (QRA)
Área 3:
Área 2: • Herramienta Base de Análisis: Caracterización Probabilística de la
Comunicación Información de Variables y Modelaje Estocástico de Procesos
Administración (Probabilidad y Estadística Descriptiva)
del Riesgo
del Riesgo
• Producto: Cuantificación del Riesgo.
•Virtud: Reducción de la Subjetividad y Trazabilidad del Análisis
• Debilidad: Complejidad

Evaluación de
Tecnología de
“ En el mundo real, al final, tenemos la
irrenunciable obligación de decidir ”

Evaluación de
Tecnología de
Decisión “ Decisión es un proceso más que el simple hecho de elegir entre alternativas”, es un proceso que
incluye identificar un problema, elegir una alternativa y evaluar la eficacia de dicha decisión.”
(Robbins, 1996 )
Las decisiones contemporáneas ya no solo consisten en seleccionar entre diversas alternativas sino
que han evolucionado en grado de complejidad. Como ejemplo de decisiones complejas tenemos:
• Jerarquizar las alternativas.
• Seleccionar la mejor combinación de alternativas.
• Seleccionar la opción optima entre un conjunto de alternativas de la misma naturaleza
respecto a varios criterios (optimizar).
Las decisiones que se toman en el

PASADO PRESENTE FUTURO presente, se alimentan de los datos del
pasado y generan acciones (elegida entre
ACCION RESULTADOS
las Ai) que provocará un resultado en el
DATOS DECISION futuro. El resultado dependerá del la
( Ai ) ( X ij )
acción que se realice.
Para tomar decisiones hay que prever el futuro, hay que predecir y calcular las consecuencias de
cada una de las posibles acciones.
Evaluación de
Tecnología de
“Marco matemático para predecir el futuro
modelando la experiencia.”

Evaluación de
Tecnología de
La Probabilidad y la Estadística constituyen los

pilares matemáticos fundamentales para tomar
decisiones administrando el riesgo y la incertidumbre

Evaluación de
Tecnología de
Probabilidad:
Es una medida de la posibilidad de ocurrencia de un evento. La frecuencia de ocurrencia de un evento es un indicador
de probabilidad:
Si el evento “A” es muy frecuente => probabilidad de ocurrencia de “A” [P(A)] es alta (tiende a 1)
Si el evento “A” es poco frecuente=> probabilidad de ocurrencia de “A” [P(A)] es baja (tiende a 0)
0 P(A) 1
El evento o escenario El evento o escenario
“A” no se presentará. “A” se presentará.
n
Pr A   lim  A 
Enfoque
Enfoque Frecuentista
Clásico
Basada en la historia de n 
n 
ocurrencias
Enfoque Enfoque Subjetivo

Bayesiano
Basada en “grado de conocimiento”
(“Grado de creencia”)
Evaluación de
Tecnología de
Población y Muestra
Población es el conjunto de todos los elementos que son objeto del estudio estadístico.
Muestra es un subconjunto, extraído de la población (mediante técnicas de muestreo),
cuyo estudio sirve para inferir características de toda la población.
Individuo es cada uno de los elementos que forman la población o la muestra.
NOTA: Para seleccionar una muestra deben utilizarse técnicas de muestreo para que
los individuos o elementos de este subconjunto tengan las características distintivas
de la población; pero que a la vez representa la heterogeneidad de dicha población
respecto a otras características y atributos.

Evaluación de
Tecnología de
Muestra Representativa
Para considerar que una muestra es “representativa”, la misma debe ser:
Robusta: La muestra contiene la cantidad suficiente de datos para que se puedan
hacer inferencias válidas y minimizar el margen de error.
Fidedigna: Los elementos de la muestra reproducen la realidad de los procesos y

variables bajo análisis; es decir, los atributos del dato son coherentes y
corresponden a las condiciones y características del proceso.
Justa (sin sesgo): La muestra debe tener elementos de todas las áreas del proceso,
para representar adecuadamente su heterogeneidad.
Estandarizada: Los datos de la muestra deben tener atributos y formato predefinido

para reducir inconsistencias.

Evaluación de
Tecnología de
Ejemplos de Cálculos de n 
Pr  A   lim  A 
nA: Número de veces que se observa el evento “A”
Probabilidad: n  n 
n: Número total de observaciones o tamaño de
muestra
En los últimos 3 años, se han perforado 100 pozos Probabilidad de Completar el Nuevo Pozo en el
en campos similares geológica y estructuralmente al Objetivo Geológico planeado (Evento A):
campo en el cual se perforará el Pozo FUL-1.  85 
Pr( A )     0 .85
Adicionalmente se ha comprobado que los pozos 100 
perforados son mecánica y tecnológicamente
equivalentes al nuevo pozo.
El análisis de estos 100 pozos nos deja las Probabilidad de Completar el Pozo en un Objetivo
siguientes cifras: Geológico distinto al planeado (Evento B):
 15 
• De 100 pozos perforados, 85 pozos fueron Pr( B )     0 .15
completados en el objetivo geológico planificado. 100 
• 15 pozos fueron completados en otro objetivo
geológico.
• De los 15 pozos completados en otro objetivo, 5
pozo fue abandonado, y el resto de ellos fueron Probabilidad de Abandonar el Nuevo Pozo (Evento C):
productores.  5 
Pr( C )     0 . 05
100 

Evaluación de
Tecnología de
Influencia del Tamaño de Muestra en el cálculo de probabilidad “p”
Ejemplo No 1 Muestra 2: Pozos Campo Furrial
Perforación Localización Éxito Fracaso
1 KPTZ X
2 CRAL X
Muestra 1: Pozos Campo Furrial 3 HAVM X
4 GTHS X
Perforación Localización Éxito Fracaso 5 RVHT X
1 KPTZ X 6 BCUB X
2 GTHS X 7 MTSC X Con ambas muestras se
3 RVHT X 8 JDLD X obtiene el mismo estimado
4 HAVM X 9 PKTF X
5 JEIV X 10 JEIV X
para la probabilidad de
6 HYSE X 11 HYSE X fracaso “p=0.1”
7 PLIA X 12 HERR X
8 NBSE X 13 PLIA X
9 OKYB X 14 NBSE X
A pesar de obtener el
10 MNTD X 15 OKYB X mismo resultado,
16 MNTD X consideramos que la
fracasos : k  1 17 TBNM X
estimación de la
18 YTED X
trials : n  10 19 SHG X probabilidad hecha con la
20 POWE X muestra 2 tiene mayor
1
p  prob.fracaso   0 .1 21 NLAW X
“confianza” porque la
10 22 QPLA X
23 OYEB X muestra es mas grande
24 NESR X
fracasos : k  3 25 IUER X
trials : n  30 26 AZVU X
27 OKEA X
3 28 BJCE X
p  prob.fracaso   0 .1 29 UHA X
30 30 ERTF X
Evaluación de
Tecnología de
Influencia del Tamaño de Muestra en el cálculo de probabilidad “p”
Ejemplo No 1
k
En el ejemplo anterior, se estimó la probabilidad “p” como:
p
Donde : p: Probabilidad de Fracaso o “Abandono del Pozo”
n
k: No de fracasos en la historia o muestra de perforaciones analizadas
n: No de perforaciones consideradas en la muestra
Sin embargo, esto es solo un “estimado puntual”. El verdadero valor de “p” se encuentra en el rango
1 k 1
p 
pLOW  p  pHIGHT  1
n  k 1 n 1 nk
k (F2 k ,2 ( n k 1),1 ) k  1(F2 ( k 1 ),2 ( n k ), )
2 2
El “ancho o incertidumbre” de este rango depende del tamaño de la muestra analizada y del grado de confianza que se
le dará a la estimación.
Estimado “Optimista” Estimado “Mas Probable” Estimado “Pesimista”

1 1
pLOW  k pHIGT 
1
n  k 1 p 1
nk
k (F2 k ,2 ( n k 1),1 ) n k  1(F2 ( k 1),2 ( n k ), )
2 2

Evaluación de
Tecnología de
Estadística Descriptiva
La Estadística Descriptiva es la ciencia que se ocupa del estudio de la variación, dispersión o
incertidumbre de un tipo especial de variables conocidas como Variables Random, Variables
Aleatorias, Variables Dispersas o Variables Distribuidas
La Estadística Descriptiva se apoya en herramientas matemáticas conocidas como
“Distribuciones de Probabilidad” y en indicadores de comportamiento de los datos conocidos
como “estadísticas de la variable aleatoria” que en conjunto permiten organizar, describir,
representar matemática y gráficamente la información sobre este tipo de variables y cuantificar su
incertidumbre.
.
1  x  2
  
1 2  
f (x)  .e
Histograma de  2 Estadísticas Variable Aleatoria
Frecuencias
Curva de Media 68.53
Error típico 1.31
Probabilidad Mediana 67.45
Moda 66.34
Desviación estándar 13.06
Varianza de la muestra 170.54
Curtosis 0.00
Coeficiente de asimetría 0.46
Rango 60.60
Mínimo 41.62
Máximo 102.22
Evaluación de
Tecnología de
Variables Aleatorias
Se denomina variable aleatoria, random o distribuida, a una variable “X” que por sus
características pueda tomar un conjunto de valores (x 1, x2, x3, x4, ... xn-1) cada uno de los cuales
tiene una probabilidad de ocurrencia (p 1, p2, p3, p4, ... pn-1,), sin que se pueda asegurar
específicamente cual de todos estos probables valores tomará la variable.
p(X)
.167
Convenio de Notación
.125
(X=xi): representa el evento "la variable aleatoria X toma el
.083 valor xi”
.042 p(X=xi): representa la probabilidad que la variable aleatoria

“X” tome el valor xi.
.000
2 3 4 5 6 7 8 9 10 11 12 X
x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11
Variables Aleatorias Discretas: Son variables aleatorias que sólo pueden tomar valores enteros,
es decir, un número finito de valores contables.
Variables Aleatorias Continuas: Son variables aleatorias que pueden tomar infinitos valores en
un intervalo dado.
Las variables aleatorias discretas se identifican de las continuas, porque para cuantificar su
frecuencia hay que “contar”, mientras que para las variables aleatorias continuas hay que “medir”.

Evaluación de
Tecnología de
Gráficos para Variables Aleatorias -
Distribuciones de Probabilidad
Las Distribuciones de Probabilidad, son modelos gráficos que muestran la relación entre los
diversos probables valores que puede tomar una variable aleatoria y la frecuencia de repetición u
ocurrencia de estos probables valores.
Las Distribuciones de Probabilidad se clasifican en dos familias:
Distribuciones de la Muestra o Histogramas de Frecuencia
Distribuciones de la Población o Distribuciones Paramétricas
f(x) Histogramas de Frecuencias f(x) Distribución Parametrica

2
1 x   
  
1 2  
f (x)  .e
 2
Frecuencias
x x
Evaluación de
Tecnología de
Evaluación de
Tecnología de
Distribuciones de Probabilidad de la Muestra - Histogramas de Frecuencia
Formatos de Histogramas 0.35

Histograma de Frecuencia
0.3 El histograma de frecuencias permite contestar

preguntas como:
0.25
¿Cuál es la probabilidad de que X tome un determinado
0.2
valor xi?
Frecuencia
0.15
¿Cuál es el valor o el rango de valores de X con mayor
Histogramas de Frecuencias probabilidad de ocurrencia?

0.1
0.05
¿De qué manera se distrib uyen lo s probables valores de
0 X?
9.1 - 9.4 9.4 - 9.7 9.7 – 10.0 10.0 –10.3 10.3 – 10.6 10.6 – 10.9
Clases
Histograma Acumulado Directo

1.2
Probabilidad Acumulada
0.8
0.6
Frecuencias Frecuencias 0.4
Relativas Acumuladas 0.2
0
9.1 - 9.4 9.4 - 9.7 9.7 – 10.0 10.0 – 10.3 10.3 – 10.6 10.6 – 10.9
Aceleración de Gravedad (mts/seg2)
Histograma Acumulado Inverso

1.2
Probabilidad Acumulada
0.8
0.6
Directas Inversas 0.4
0.2
0
9.1 - 9.4 9.4 - 9.7 9.7 – 10.0 10.0 – 10.3 10.3 – 10.6 10.6 – 10.9
Aceleración de Gravedad (mts/seg2)

Evaluación de
Tecnología de
Histogramas y Polígonos de Frecuencias
Los histogramas y los polígonos de frecuencias son dos
representaciones gráficas de las distribuciones de
frecuencia:
1. Un histograma consiste en un conjunto de
rectángulos que tienen a) sus bases en el eje X
horizontal, sus centros en las marcas de clase y
longitudes iguales a los tamaños de los
intervalos de clase, y b) áreas proporcionales a
las frecuencias de clase.
2. Un polígono de frecuencia es una gráfica de

línea de las frecuencias de clase dibujada con
respecto a la marca de clase. Puede obtenerse
uniendo los puntos medios de las partes
superiores de los rectángulos del histograma.

Evaluación de
Tecnología de
Distribuciones de Probabilidad no Paramétricas
Histogramas de Frecuencia
Para construir un histograma de frecuencias relativas deben seguirse los siguientes pasos:
1. Determinar el recorrido o amplitud de la población o muestra, restando el valor máximo menos
el mínimo.
2. Dividir el recorrido en un número de rangos o clases, seleccionados convenientemente de

forma de no desvirtuar el dominio de la variable aleatoria.
3. Contar el número de observaciones que corresponden a cada rango o clase
4. Calcular la frecuencia relativa para cada rango o clase con la siguiente fórmula:
Frecuencia Clase i = (Nº observaciones en rango o clase i)

(Nº total observaciones)
5. Construir el gráfico resultante

Evaluación de
Yacimientos &
Tecnología de
Tipos de Curvas de Frecuencias
Sesgada a la derecha Simétrica Sesgada a la Izq
(sesgo positivo) (sesgo negativo)
1. Las curvas de frecuencia simétrica o en forma de campana se caracterizan porque las

observaciones equidistantes del máximo central tienen la misma frecuencia. Un ejemplo
importante es la curva normal.
2. En las curvas de frecuencia moderadamente asimétricas, o sesgadas, la cola de la curva a un

lado del máximo central es más larga que al otro lado. Si la cola más larga está a la derecha, se
dice que la curva es sesgada a la derecha o que tiene asimetría positiva. En caso contrario, se
afirma que la curva es sesgada a la izquierda o que es de asimetría negativa.

Evaluación de
Tecnología de
Distribuciones de Probabilidad de la Muestra - Histogramas de Frecuencia
Ejemplo No 2: La tabla que se muestra a continuación, muestra los valores de

“Porosidad” medidos en 40 pozos de un yacimiento de petróleo. Se requiere:
1.- Elaborar un histograma de frecuencias de la variable “porosidad del

yacimiento”.
2.- Elaborar un histograma acumulado directo de la variable “porosidad del
yacimiento”

Evaluación de
Tecnología de
Histogramas de Frecuencia
Ejercicio No. 1: Construcción de Histogramas de Frecuencia (Solución)
Para crear un histograma de frecuencias, debemos agrupar convenientemente los datos,

tal como se muestra en la siguiente tabla
No. de Clases (k)= 6
Ancho de Clases (A)= 0,0275

Evaluación de
Tecnología de
Histogramas Acumulados Directos - Ejemplo No 1 – Solución (cont.)
En ocasiones estamos interesados en contestar preguntas como:

¿Cuál es la probabilidad de que X tome un valor menor o igual a determinado valor?
Para contestar esta pregunta es conveniente organizar gráficamente la información en la forma de un
histograma acumulado directo.
(X<xi) representa el evento la variable
aleatoria X toma un valor menor o igual
a xi
Pr(X< xi) representa la probabilidad de
que X tome un valor menor o igual a xi

Evaluación de
Tecnología de
Histogramas Acumulados Directos - Ejemplo No 1 – Solución (cont.)
Del histograma acumulado directo construido para la variable aleatoria

“porosidad” podemos inferir entre otras cosas, lo siguiente:
La probabilidad de que la porosidad
tome valores menores o iguales de
p(φ  0.24 )=1=100% 0.24 es de 100%
p(φ  0.218)=0.975=97.5%
tome valores
p(φ>0.174 )=(1-0.675)=0.325=32.5% menores o iguales
de 0.218 es de 97.5%
p(φ  o.174) + p(φ>0.174) = 1
tome valores mayores a 0.174 es de
32.5%

Evaluación de
Tecnología de
Histogramas Acumulados Inversos - Ejemplo No 1 – Solución (cont.)
En ocasiones estamos interesados en contestar preguntas como

¿Cuál es la probabilidad de que X tome un valor mayor o igual a determinado valor?
Para contestar esta pregunta es conveniente organizar gráficamente la información en la forma de un histograma
acumulado inverso.
(X>xi) representa el evento la variable aleatoria X toma
un valor mayor o igual a xi
Pr(X> xi) representa la probabilidad de que X tome un
valor mayor o igual a xi

Evaluación de
Tecnología de
Distribuciones de Probabilidad no Paramétricas - Ejemplo No 1 – Solución (cont.)
Histogramas Acumulados Inversos
Del histograma acumulado inverso construido para la variable aleatoria “porosidad” podemos inferir
entre otras cosas, lo siguiente:
p(φ>0.064 )=1=100%
p(φ>0.086 )=0.9=90%
p(φ 0.108)=1-0.85=0.15=15%
 La probabilidad de que la porosidad tome valores mayores o
p(φ>9.4 ) + p(φ 9.4 ) = 1 iguales de 0.064 es de 100%
La probabilidad de que la porosidad tome valores mayores o

iguales de 0.086 es de 90%
La probabilidad de que la porosidad tome valores menores a

0.108 es de 15%

Evaluación de
Tecnología de
Evaluación de
Tecnología de
Distribuciones de Probabilidad “PARAMÉTRICAS”
Una distribución de probabilidad paramétrica también conocida como curva de probabilidades,

es una función matemática teórica, que describe la forma en que se espera que varíen los
probables valores de una variable random, es decir, una función matemática que relaciona los
diversos probables valores que puede tomar una variable random con la probabilidad de
ocurrencia de cada uno de ellos.
2
1  x  
  
1 2  
f (x)  .e
 2

Evaluación de
Tecnología de
Distribuciones de Probabilidad “PARAMETRICAS” - Estadísticas
XM =MODA (valor de la variable con

mayor probabilidad de ocurrencia)
f(x)
=MEDIA (medida de la tendencia
central, o valor esperado
de la variable)
 =Desviacion estandar
(Medida de la dispersion incertidumbre
asociada a la variable)
XM  X
XL=5% XU=95%
LIMITE LIMITE
INFERIOR 90 % INTERVALO DE SUPERIOR
Pr(X< XL)=0.05 CONFIANZA Pr(X< XU)=0.95
Pr(L<X<U)=0.9
Una distribución se caracteriza por:

• El valor central o medida de posición (la media, la mediana o la moda).
• Una cantidad que expresa el grado de dispersión (la desviación estándar).
• La forma de la curva, es decir la forma general de la distribución probabilística
Evaluación de
Tecnología de
Distribuciones de Probabilidad “PARAMETRICAS”
Modelos Paramétricos de uso común
Distribución Normal
Distribución Lognormal
Distribución Binomial
Distribución Exponencial
Variables Variables Distribución de Poisson
Aleatorias Distribución de Weibull Aleatorias
Continuas Discretas Dist. Hipergonométrica
Distribución Beta
Distribución Geométrica
Distribución Gamma
Distribución Triangular
Distribución Uniforme

Evaluación de
Tecnología de
¿ Qué Distribuciones debería Usar ?
Crystal Ball cuenta con 21 distribuciones continuas y discretas que puede

utilizar para describir un supuesto, incluida una distribución personalizada,
que puede ser una combinación de rangos continuos y discretos.
Una distribución de probabilidad continua supone que todos los valores en el
rango son posibles, por lo tanto, cualquier rango contiene un número infinito
de valores posibles. Estas distribuciones son curvas sólidas y suaves.
Una distribución de probabilidad discreta describe valores distintivos, finitos

y comúnmente enteros. Estas distribuciones aparecen como columnas de
diferentes alturas ubicadas una al lado de la otra.

Evaluación de
Tecnología de

Distribución Descripción Condiciones Aplicaciones Ejemplos
La distribución normal describe  El valor de la media es el más Fenómenos Alturas de las
muchos fenómenos naturales como probable. naturales. personas, tazas
los coeficientes intelectuales, la reproductivas,
 Es simétrico con relación a la
altura de las personas, la tasa de inflación.
media.
inflación o errores en las
mediciones. Es una distribución de  Es más probable que esté
probabilidad continua. cerca de la media que lejos.
Normal
La distribución triangular muestra la  Los mínimos y los Cuando usted Cálculos de ventas,
cantidad de éxitos cuando se máximos están fijos. conoce los cantidad de autos
conocen los valores mínimos, valores mínimos, vendidos en una
 Tiene un valor de más alta
máximos y más probables. Por Ej: los máximos y el semana, cantidad de
probabilidad en este
podría describir la cantidad de más probable, un inventario,
rango, que forma un
automóviles vendidos por semana útiles con datos costos de
triángulo con el mínimo y
cuando las ventas registradas limitados. comercialización.
el máximo.
muestren la cantidad mínima,
máxima y más probable de
Triangular automóviles vendidos. Es una
distribución de probabilidad
continua.

Evaluación de
Tecnología de
La distribución lognormal es muy  El límite superior es Las situaciones en Precios de
usada en situaciones donde los ilimitado; el límite inferior las que los valores inmuebles, precios
valores están positivamente es cero. son sesgados de acciones,
sesgados (donde la mayoría de los positivamente, escalas de pagos,
 La distribución es sesgada
valores ocurren cerca del valor pero no pueden tamaño de
positivamente, con la mayor
mínimo) como en el análisis ser negativos. reservas de
parte de los valores cerca del
financiero para la valuación de petróleo.
Lognormal límite inferior.
títulos o en bienes raíces para la
valuación de propiedades. Es una  El logaritmo natural de la
distribución de probabilidad distribución es una
continua. distribución normal.
En la distribución uniforme, todos  El mínimo está fijo. Cuando conoce el Una tasación de un
los valores entre mínimo y máximo rango y todos los inmueble, una
 El máximo está fijo.
tienen la misma probabilidad de valores posibles filtración en una
ocurrir. Es una distribución de  Todos los valores en el tienen la misma cañería.
probabilidad continua. rango tienen la misma probabilidad.
probabilidad de ocurrencia.
Uniforme

Evaluación de
Tecnología de
La distribución sí/no también  Para cada ensayo, sólo 2 Describe la Cantidad de caras
llamada la distribución Bernoulli, resultados son posibles; cantidad de vcs que en 10 tiradas de
describe un conjunto de generalmente, éxito o fracaso. ocurre un suceso en una moneda a cara
observaciones que solamente una cantidad fija de o cruz,
 Los iteraciones son
pueden tener uno de dos valores: por iteraciones, también probabilidad de
independientes.
ejemplo, sí/no, éxito/fracaso, se utiliza para la éxito o fracaso.
verdadero/falso o cara/cruz. Es una  La probabilidad es la misma lógica Booleana
SI - NO distribución de probabilidad de ensayo en ensayo. (vrdadro/falso o
discreta. encndido/apagado).
La distribución Poisson describe la  El número de ocurrencias Describe la Cantidad de

cantidad de veces que ocurre un posibles no está limitado. cantidad de veces llamadas
suceso en un intervalo dado, como que ocurre un telefónicas por
 Las ocurrencias son
por ejemplo la cantidad de suceso en un minuto, cantidad
independientes.
llamados telefónicos por minuto o intervalo dado de defectos cada
la cantidad de errores por página en  La cantidad promedio de (generalmente de 100 yardas
un documento. Es una distribución ocurrencias es la misma de tiempo). cuadradas de
de probabilidad discreta. unidad en unidad. material.
Poisson

Evaluación de
Tecnología de
La distribución beta es una  El rango mínimo y máximo se Representa la La representación
distribución muy flexible para encuentra entre 0 y un valor variabilidad sobre de la confiabilidad
diseñar probabilidades basadas en positivo. un rango fijo, de los artefactos
estadísticas bayesianas. También es describe los datos de una compañía.
 La forma puede especificarse
usada para describir datos empíricos empíricos.
con dos valores positivos, alfa
y predecir el comportamiento
y beta.
aleatorio de porcentajes y
Beta fracciones. Es una distribución de
probabilidad continua.
La distribución geométrica  La cantidad de iteraciones Describe la Cantidad de veces

describe la cantidad de iteraciones no es fija. cantidad de que usted gira la
hasta el primer éxito, como por iteraciones hasta ruleta antes de
 Los iteraciones continúan
ejemplo la cantidad de veces que es la primer ganar, cuántos
hasta el primer éxito.
necesario perforar cuando se busca ocurrencia exitosa. pozos perforar
petróleo hasta que se descubre un  La probabilidad de éxito es antes de encontrar
pozo petrolero. Es una distribución la misma de ensayo a petróleo.
de probabilidad discreta. ensayo.
Geométrica

Evaluación de
Tecnología de
1. Media: medida de tendencia central que se obtiene sumando los puntajes y dividiendo el total entre el
número de puntajes; constituye lo que la mayoría de la gente denomina promedio.
Ej: A continuación se presentan cantidades de Porosidad de un Yacimiento, Calcule la media de esta

muestra:
5.40 1.10 0.42 0.73 0.48 1.10
R:
_
x  x  5.40  1.10  0.42  0.73  0.48  1.10  9.23  1.538
n 6 6
2. Mediana: medida de tendencia central que implica el valor que está en medio, cuando los valores originales de
los datos se presentan en orden de magnitud creciente (o decreciente).
Para calcular la mediana, primero clasifique los valores (acomódelos en orden), luego siga uno de
estos dos procedimientos:
1. Si el número de valores es impar, la mediana es el número que se localiza exactamente a la
mitad de la lista.
2. Si el número de valores es par, la mediana se obtiene calculando la media de los dos números
que están a la mitad.
0.42 0.48 0.73 1.10 1.10 5.40
Mediana= 0.73 + 1.10 = 1.83 = 0.915

2 2
Evaluación de
Tecnología de
3. Moda: Valor que ocurre con mayor frecuencia.
 Cuando dos valores ocurren con la misma frecuencia y ésta es la más alta, ambos valores son
modas, por lo que el conjunto de datos es bimodal.
 Cuando más valores ocurren con la misma frecuencia y ésta es más alta, todos los valores son
modas, por lo que el conjunto de datos es multimodal.
 Cuando ningún valor se repite, se dice que no hay moda.
0.42 0.48 0.73 1.10 1.10 5.40
4. Desviación estándar:
medida de variación de los valores con respecto a la media. Es un tipo de desviación promedio de los
valores, con respecto a la media..
5. Sesgo: Una distribución de datos está sesgada si no es simétrica y se extiende más hacia un lado que hacia el
otro. (Una distribución es simétrica si la mita izquierda de su histograma es aproximadamente una
imagen en espejo de su mitad derecha).
media moda Moda Media

Moda=Media=Mediana
mediana Mediana
a) Sesgada a la Izquierda. b) Simétrica. c) Sesgada a la Derecha.

Evaluación de
Tecnología de
Muestras Grandes > 14 Datos
Caracterización probabilística de la muestra
o “¿Cómo seleccionar el modelo de
distribución de probabilidad para una
muestra dada? ”

Evaluación de
Tecnología de
De la estadística de la muestra a la de la población
Sugerencias para Plantear “Hipótesis” sobre Modelos de Probabilidad que puedan hacer un buen ajuste sobre los
datos de una Muestra
Variables Físicas
Variables Relacionadas con Tiempo Variables por Opinión Expertos
Beta Pert
Variables Relacionadas Variables Relacionadas

con Desviación o Error con Éxito y Fracaso

Evaluación de
Tecnología de
De la estadística de la muestra a la de la población – MUESTRAS GRANDES
Caracterización probabilística de la muestra o “¿Cómo seleccionar el modelo de distribución de

probabilidad para una muestra dada? ”
f
F 1( X ,1 , 2 ) Fm ( X ,  1 ,  2 ) F 2( X ,1 , 2 )
Muestra F
x
F(x)
X1
X2 x
X3
Establecer Distribución de
X4
Probabilidad “Hipótesis”
. X
. Test de Bondad de Ajuste
f1 ( x,1 , 2 )
. Hipótesis 1
F1 ( x,1 , 2 )
Xn
n= número de f2 ( x,1 , 2 )
datos de la Hipótesis 2 F 2( X ,1 , 2 )
muestra o “tamaño F2 ( x,1 , 2 )
de muestra”
fm ( x,  1 ,  2 ) Es el mejor ajuste para los
Hipótesis m
Fm ( x,  1 ,  2 ) Datos de la Muestra
Evaluación de
Tecnología de
De la estadística de la muestra a la de la población – MUESTRAS GRANDES
La tabla que se muestra a continuación, muestra los valores de “Porosidad” medidos en 40 puntos
(pozos) de un yacimiento de petróleo. Utilizando el software Crystal Ball, caracterice en forma
probabilística la variable en estudio encontrando la distribución paramétrica que mejor represente
los datos.
1.- Represente estos datos con la
distribución en su forma de frecuencia
relativa y en en su forma acumulada
2.- Calcule las siguientes magnitudes:
- Media
- Desviación Estándar,
- Percentil 10, 50 y 90 e intervalo del
80% de certeza
Ver Ejemplo – Histogramaas (Porosidad CB).xls

Evaluación de
Tecnología de
De la Opinión de Expertos
a la Estadística de la
Población
“¿Cómo representar una variable aleatoria
cuando la evidencia muestral es nula o
demasiado pequeña y el conocimiento sobre la
variable aleatoria reside en la mente de los
expertos? ”

Evaluación de
Tecnología de
Caracterización Probabilística de las Variables a partir
de la Opinión de Expertos
La opinión de expertos representa una de las fuentes fundamentales de información para cálculos
en ingeniería y es particularmente útil cuando se trata de análisis de riesgo.
Los expertos poseen valiosísima información sobre las variables y su incertidumbre normalmente
sustentada en la observación y experiencia con procesos similares.
El procedimiento para aprovechar la opinión de expertos como fuente de información puede

dividirse en dos áreas:
1.- Técnicas de Entrevistas del Experto o Grupo de Expertos, tales como el “Método de Delphi”,
que permite obtener la opinión de expertos, documentarla y reducir su subjetividad.
2.- Técnicas Matemáticas para Modelar la Opinión; lo que implica:
• Uso de Distribuciones de Probabilidad como BetaPert, LogNormal, Triangular y

Uniforme para modelar la opinión.
• Teorema de Bayes; como método matemático para combinar la opinión de expertos, con
evidencia o datos propios.

Evaluación de
Tecnología de
Caracterización Probabilística de las Variables a partir de la Opinión de Expertos
f(X
) )
Caso 1: Distribución BetaPert: Se utiliza para representar 0,45
probabilísticamente la opinión de expertos en los siguientes 0,4
casos: 0,35
0,3
0,25
• La opinión del experto viene expresada en tres valores; un 0,2

0,15
mínimo (Xmin), un valor mas probable (Xmprob) y un 0,1
0,05
máximo (Xmax). 0
0,1190 0,1390 0,1590 0,1790 0,1990 0,2190 0,236
• La variable que se esta representando es una variable “física”

o una variable relacionada con “tiempo” Xmin Xmas probable Xmax
EXPERTO
Caso 2: Distribución LogNormal: Se utiliza para representar
probabilísticamente la opinión de expertos en los siguientes 0.00400
casos: 0.00350
0.00300
0.00250
• La opinión del experto viene expresada en dos valores; un

Probability
0.00200
0.00150
mínimo (Xmin) y un máximo (Xmax). El experto expresa que 0.00100
debe haber un valor mas probable pero no puede estimarlo. 0.00050

0.00000
0 0.1 0.2 0.3 0.4 0.5 0.6
• La variable que se esta representando es una variable “física” X
X 5%  X MIN X 95%  X MAX

o una variable relacionada con “tiempo”
EXPERTO

Evaluación de
Tecnología de
Caracterización Probabilística de las Variables a partir de la Opinión de Expertos
Mínimo valor posible de la variable = Xmin
EXPERTO Valor mas probable de la variable = Xmprob
Máximo valor posible de la variable = Xmax
Caso 3: Distribución Triangular: Se utiliza para representar f(x)
probabilísticamente la opinión de expertos en los siguientes
casos:
• La opinión del experto viene expresada en tres valores; un

mínimo (Xmin), un valor mas probable (Xmprob) y un
xmin xmax
máximo (Xmax). xmprob. X
• La variable que se esta representando es una variable

relacionada con “precios” o “costos”
f(x) EXPERTO
Caso 4: Distribución Uniforme: Se utiliza para representar
probabilísticamente la opinión de expertos en los siguientes
casos:
• La opinión del experto viene expresada en dos valores; un

mínimo (Xmin) y un máximo (Xmax).
• El experto expresa que “no hay un valor mas probable” es

xmin a b xmax X
decir estima que todos los valores en ese rango tienen la
misma probabilidad de ocurrir.
EXPERTO

Evaluación de
Tecnología de
Caracterización Probabilística de las Variables a partir de la Opinión de

Expertos
En la siguiente tabla se presentan los estimados realizados por expertos de

Geociencias de los probables valores para la variable “Espesor Neto (h) o Arena
Neta Petrolífera (ANP)”.
Nótese que estimación del Área, está dada por tres valores (Un máximo, un mínimo
y un más probable)
Con esta información conteste las siguientes preguntas:
1.- Que distribución de probabilidades puede usarse para representar dicha variable.
Justifique su selección

Evaluación de
Tecnología de
Muestras Pequeñas < 15 datos
Caracterización probabilística de la muestra
o “¿Cómo seleccionar el modelo de
distribución de probabilidad para una
muestra dada? ”

Evaluación de
Tecnología de
De la estadística de la muestra a la de la población – MUESTRAS PEQUEÑAS
Tamaño de Muestra entre 6 y 15 datos – OPCIÓN 1
Paso 1: Determine el Valor Mínimo de los datos de la muestra.
Paso 2: Determine el Valor Máximo de los datos de la muestra.
Paso 3: Utilizando las facilidades de Excel explicadas en la Lectura No 2, construya un histograma de frecuencias
relativas con los datos de la muestra y determine a partir del gráfico, el Valor Moda o Valor Mas Probable
Paso 4: Con los tres valores previamente calculados, construya una Distribución BetaPert
Pasos 1 y 2 Paso 3 Paso 4

Muestra Datos
Pozos Muestra % Declinacion
Pozo 1 17.30%
Pozo 2 15.80%
Pozo 3 17.00%
Pozo 4 14.20%
Pozo 5 10.70% Valor Mínimo
Pozo 6 20.70%
Pozo 7 19.50%
Pozo 8 25.20%
Pozo 9 46.90% Valor Máximo
Pozo 10 27.70%
Valor
Valor Mas
Mas Probable
Probable oo Moda
Moda
Evaluación de
Tecnología de
De la estadística de la muestra a la de la población – MUESTRAS PEQUEÑAS
Tamaño de Muestra entre 6 y 15 datos – OPCIÓN 2
Paso 1: A partir de los datos de la muestra; y utilizando la función PERCENTIL de Excel calcule los
Percentiles 5% y 95% (P5% y P95%)
Paso 2: Con los dos valores previamente calculados, construya una Distribución LogNormal
Vecinos % Declinacion
Pozo 1 17.30%
Pozo 2 15.80%
Pozo 3 17.00%
Pozo 4 14.20%
Pozo 5 10.70%
Pozo 6 20.70%
Pozo 7 19.50%
Pozo 8 25.20%
Pozo 9 46.90%
Pozo 10 27.70%
P5%= PERCENTIL(K15 :K24,0.05)=0.12275
P95%= PERCENTIL(K15 :K24,0.95)=0.3826

Evaluación de
Tecnología de
Evaluación de
Tecnología de
Operaciones con Variables Aleatorias
Variables de Entrada Modelo Variable de Salida
(Información) (Información) (Variable de decisión)
A
0,15 0,15 0,15 0,15 0,15
B ,083
,062
E
(A+B+C)
0,76 0,78 0,80 0,82 0,85
E=
,041
C D ,021
,000
50.680,17 54.456,64 58.233,11 62.009,58 65.786,05
18,50 19,25 20,00 20,75 21,50
1,000
,750
E
D ,500
0,92 0,93 0,95 0,96 0,98 ,250
,000
50.000,00 54.375,00 58.750,00 63.125,00 67.500,00
ETAPA 1: ETAPA 2: ETAPA 3:

CUANTIFICACION DE LA INCERTIDUMBRE PROPAGACION DE LA CUANTIFICACION DE LA INCERTIDUMBRE
ASOCIADA A LAS VARIABLES DE ENTRADA O INCERTIDUMBRE ASOCIADA A ASOCIADA A LA VARIABLE DE SALIDA O
CARACTERIZACION PROBABILISTICA DE LAS CADA VARIABLE EN EL MODELO RESULTADO, O CARACTERIZACION
VARIABLES DE ENTRADA MATEMATICO. PROBABILISTIA DEL RESULTADO

Evaluación de
Tecnología de
I. SIMULACION DEFINICION
Evaluación de
Tecnología de
II. MODELOS DE SIMULACION
Evaluación de
Tecnología de
III. METODOS DE SIMULACION
Evaluación de
Tecnología de
IV. MONTE CARLO - Definición
Estocástico (vs) Deterministico

Evaluación de
Tecnología de
Estocástico (vs) Deterministico
1. Modelo Estocástico 2. Modelo Deterministico
Dado un Valor de Entrada se Dado un Valor de Entrada se
obtiene una respuesta diferente obtiene un único valor de salida
cada vez que se corre el cada vez que se corre el Modelo.
Modelo.
Modelo
Modelo
Entrada Estocástico
Salida Entrada Deterministico Salida

Evaluación de
Tecnología de
IV. MONTE CARLO - Historia
El método fue llamado así por el principado de Mónaco por ser ``la capital
del juego de azar'', al tomar una ruleta como un generador simple de
números aleatorios. El nombre y el desarrollo sistemático de los métodos
de Monte Carlo datan aproximadamente de 1944 con el desarrollo de la
computadora. Sin embargo hay varias instancias (aisladas y no
desarrolladas) en muchas ocasiones anteriores a 1944.
El uso real de los métodos de Monte Carlo como una herramienta de

investigación, proviene del trabajo de la bomba atómica durante la Segunda
Guerra Mundial. Este trabajo involucraba la simulación directa de
problemas probabilísticos de hidrodinámica concernientes a la difusión de
neutrones aleatorios en material de fusión.

Evaluación de
Tecnología de
Análisis de Sensibilidad
El análisis de sensibilidad permite cuantificar la contribución relativa de cada una de las variables aleatorias de entrada a un
modelo, a la dispersión o varianza del resultado o variable de salida del modelo. Obviamente es un procedimiento que debe
realizarse después de haber completado la propagación de incertidumbre ya sea por el Método de los Momentos o por
Simulación de Montecarlo.
Este análisis es de vital importancia para la “Administración de la incertidumbre” ya que permite identificar las variables de
entrada al modelo en las que debe centrarse la atención y tomar las acciones necesarias (compra de información, toma de
datos, análisis causa raíz, etc) para mejorar el nivel de conocimiento sobre las mismas, (de ser técnicamente factible y
económicamente rentable), porque solo así se logrará reducir la incertidumbre de la variable de salida.
Existen diversos tipos de análisis de sensibilidad, cada uno de los cuales tiene un “gráfico de resultados” característico. En los
siguientes puntos se ampliará en detalles los tipos de análisis de sensibilidad mas conocidos.
Variables Sensibles del Proceso
Variables Críticas
Técnicamente Factibles
Económicamente Rentables

Evaluación de
Tecnología de
Análisis de Sensibilidad – Tipos de Sensibilidad
Díagramas de
Sensibilidad Tipo I Contribución a la
Varianza
Sensibilidad de la Variable de Salida a
la Dispersion (Desviación Estándar) de
las Variables de Entrada Díagramas de
Correlación por
Ranking
Análisis de
Sensibilidad
Díagramas de
Sensibilidad Tipo II
Tornado
Sensibilidad de la Variable de Salida a
la posición de la MeDía de las
Variables de Entrada Díagramas de
Araña

Evaluación de
Tecnología de
Operaciones con Variables Aleatorias – Correlaciones Probabilísticas
Para detectar la posible existencia de correlación entre dos variables X y Y, se grafican los valores de
las muestras independientemente colectadas de ambas variables, para identificar si existe algún tipo de
tendencia.
Algunos ejemplos de correlaciones entre variables que la experiencia ha permitido detectar son los
siguientes
• Costo de la Energía e Inflación (Correlación Positiva)
• Precio del Producto y Volumen de Ventas (Correlación Negativa)
• Altura y Peso de los habitantes en USA (Correlación Positiva)
• Permeabilidad y Porosidad en un Yacimiento (Correlación Positiva)
V
aria
blesP ositiv
amente V
aria
blesN egativ
amente V
aria
ble
sNoCorr
e la
cio
nad
aso
Corr
e la
cion a
das Corr
e la
cio
n a
das Ind
epe
ndie n
tes
2
500 1
,5 2
500
2
000 1
,4 2
000
1
500 1
,3 1
500
Y
Y
Y
1
000 1
,2 1
000
5
00 1
,1 5
00
0 1 0
15 2
0 2
5 3
0 3
5 4
0 0 5
00 1
000 1
500 2
000 2
500 0 2
00 4
00 6
00 8
00 1
000 1
200 1
400
X X X

Evaluación de
Tecnología de
Operaciones con Variables Aleatorias – Correlaciones Probabilísticas
Factor de Correlación: La intensidad de la dependencia probabilística se mide con un indicador estadístico conocido
como “Factor de Correlación, cuyos valores varían entre -1 y 1.
La correlación entre variables que son débiles no afecta el resultado del modelo de simulación, más aún
moderadas y altas correlaciones pueden producir un error significante si este no es considerado
explícitamente en el modelo de simulación.
Evaluación de
Yacimientos &
Tecnología de
Operaciones con Variables Random
Correlaciones
Caracterización
Probabilística Modelo
7758. A. ANP..(1  Sw)

POES 
Bo
Sw
ANP
Salida
Φ
Sin Correlación Correlacionadas

Media 276743586,7 285703346,7
Desviación Estándar 88883112,83 107478003,1
P1 114341652,2 102233550,9
P10 165903545,4 154250839,1
A P20 193940307,2
221783161,1
192101113,9
P30 219499335,5
P40 247042574 247955651,9
P50 271607539,8 272615073,4
P60 295923425,3 300570061,6
P70 320170454,5 334123015,3
Bo P80 353832379,2 376845644
P90 390634797,8 433226440,5
P99 514800897,9 567400545,1

Evaluación de
Tecnología de
Reglas de Oro de la Simulación de Montecarlo
1. Apropiada selección de las distribuciones que caracterizan

las variables de entrada y los parámetros del modelo.
2. Verificar la dependencia probabilística entre las variables y
considerar los correspondientes factores de correlación.
“Toda iteración de un modelo de Análisis de Riesgo debe

corresponder a un escenario físicamente posible”. – David
Vose
3. Modelar las variables probabilísticamente una sola vez en

todas las etapas del desarrollo del modelo.

Evaluación de
Tecnología de
Indicadores Financieros – Valor Presente Neto – Modelo Determinista
• El indicador valor Presente Neto (VPN), también conocido como NPV (Net Present Value)
por sus siglas en inglés, es un índice que calcula el valor presente de un determinado flujo
de caja proyectado o futuro; y que busca básicamente responder la siguiente pregunta,
VPN “Cuánto dinero de hoy representa un flujo futuro de costos y beneficios?” .
• Este método, descuenta el flujo de caja a una determinada tasa igual durante todo el
período bajo análisis, conocida como tasa de descuento (i), la cual ha sido definida
previamente.
• Matemáticamente el VPN se expresa con la siguiente ecuación:
 INGRESO j  EGRESO j 
n
VPN n      INVERSION INICIAL
j 1  (1  i ) j

+ Habrá ganancias mas allá de haber recuperado la inversión inicial
VPN 0 Sólo se ha recuperado la inversión
- Las ganancias no son suficientes para recuperar el dinero invertido
i=tasa de descuento
Evaluación de
Tecnología de
Principios de Análisis Financiero - Flujo de Caja Proyectado
• El Flujo de Caja Proyectado constituye uno de los elementos más importantes del estudio de un
proyecto; y el mismo consiste en un modelo gráfico que se utiliza para representar los ingresos y
desembolsos de dinero que se esperan a lo largo del horizonte económico establecido.
• Durante la construcción del gráfico que representa un flujo de caja, la dirección de las flechas es
importante, puede asumirse que una flecha hacia arriba es positivo (ingreso), y si se muestra hacia
abajo es negativo (egreso).
Ingresos
(US$)
Horizonte Económico
INGRESOS
t
0 1 2 3 4 5
DESINCORPORACION
Egresos
(US$) INVERSION
INICIAL OPERACIÓN + IMPUESTOS + EVENTOS NO DESEADOS

Evaluación de
Tecnología de
Indicadores Financieros – Valor Presente Neto – Modelo Probabilista
VARIABLES DE ENTRADA MODELO VARIABLE DE SALIDA
VARIABLES DE ENTRADA
(INFORMACION) MODELO
(INFORMACION) VARIABLE
(VARIABLEDE
DESALIDA
DECISION)
(INFORMACION) (INFORMACION) (VARIABLE DE DECISION)
VPNVPN
EVPN E
E
Factor
Factor de Rentabilidad
Rentabilidad
.094
.071
VPN
.047
.024
.000
-3,000.00 -500.00 2,000.00 4,500.00 7,000.00
Pr (VPN<0)
Pr (VPN<0)
Pr(VPN<0)
Factor de Riesgo
Factor
Factor de Riesgo
de Riesgo
Horizo
Horizo
i=tasa de descuento
Proyec
Proyect www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved
Evaluación de
Tecnología de
Modelo
Modelo Global
Global –– Análisis
Análisis Económico
Económico Probabilístico
Probabilístico del
del Ciclo
Ciclo de
de Vida
Vida
Evaluación de
Tecnología de
Servicios de Entrenamiento
Mejores Prácticas
como atacar proyectos de inversión
en EyP
Bogota, Julio 2009

Evaluación de
Tecnología de
La metodología FEL - VCD, es posiblemente la primera metodología de Administración de Proyectos inversión que
sustenta sus resultados en Análisis Cuantitativo de Riesgo y requiere de la rigurosa caracterización probabilística de las
variables que puedan generar riesgos en el proyecto. El riesgo es consecuencia de la incertidumbre que existe sobre las
variables físicas que gobiernan el yacimiento, las variables operacionales asociadas a la extracción y las variables
financieras, que finalmente generan incertidumbre y riesgo en las rentabilidades de los activos, vía sus proyectos de
inversión
El dimensionamiento del riesgo y la incertidumbre en la Metodología FEL Alcance 2 se hace a través de un Modelo
Probabilístico denominado “Modelo Integrado del Activo (MIA)”. El “MIA” es; en el contexto de la mencionada
metodología”, la herramienta fundamental para tomar decisiones
El Modelo Integrado del Activo (MIA) considera para cada uno de los escenarios identificados, el desarrollo de los
siguientes submodelos probabilistas:
Cmean:10 MMUSD
• Modelo de Volúmenes Originales y Reservas
• Modelo Probabilístico de Pseudo Pozo o “Pozo Tipo”: Cplan:15 MMUSD
• Modelo del Perfil o Banda Pronostico de Producción
basado en el Movimiento de Equipos
• Modelo de Instalaciones
• Modelo Económico Pr(Creal>Cplan):70% CMÁX:19 MMUSD

Evaluación de
Tecnología de
Fase de Visualización para Proyectos de
Explotación del Activo
P.O.E.S
Interpretación Caracterización de
Geología Yacimientos
Interpretación Modelos
Matemáticos
Datos Espesor
- Deterministico
Fallas
- Estocástico
Litología
Análisis Integrado
Facilidades de
Superficie Producción
Optimización ipr – daño

bcp – lag – bes
Re-ingeniera Métodos de
Oportunidades
de procesos Producción
Automatización
Modelo de
Resultados
Negocio
Rentabilidad
Modelo del Yacimiento
Geología Yacimientos
VPN Evaluación Económica

Evaluación de
Tecnología de
Para la generación del Modelo MIA, se han desarrollado herramientas computacionales basada en plantillas
preestablecidas para cada uno de los submodelos del MIA, desarrolladas con Microsoft Excel utilizando Visual
Basic para Aplicaciones bajo Excel (VBA) y el software Crystal Ball.
La mencionada herramienta permite actividades fundamentales para el análisis de riesgo e incertidumbre tales
como:
• Caracterización probabilística de variables (Encontrar la distribución de probabilidades que mejor ajusta al
comportamiento de una muestra de datos sobre una variable específica). Es importante hacer énfasis en que la
herramienta, adicional a las técnicas estadísticas tradicionales, considera técnicas estadísticas especiales para el
tratamiento de información escasa y técnicas para el manejo de distintos tipos de información:
• Técnicas estadísticas para tratar datos o muestras recolectadas en el mismo activo – EVIDENCIA
• Técnicas estadísticas para tratar Opinión de Expertos – CONOCIMIENTO EMPÍRICO
• Técnicas estadísticas para tratar Estadística Internacional – CONOCIMIENTO GENÉRICO o DATOS
ANÁLOGOS
• Propagación de Incertidumbre con Simulación de Montecarlo, Latin Hypercube y Método de los Momentos
• Medición del “sesgo” y la “subjetividad” en la opinión de expertos y Teorema de Bayes para combinar
información de expertos o estadística internacional, con información propia o evidencia.

Evaluación de
Tecnología de
Sub Modelo Probabilista para Tiempos de
Perforación y Reparación de Pozos

Evaluación de
Tecnología de
Sub Modelo de Tiempos de Perforación y Reparación de Pozos
Manejar los riesgos de perforación o reparación significa no dejar que los problemas crezcan,
reducir las sorpresas.
Pega Inestabilidad de Zona desconsolidadaFormación reactivaVibración de la Acumulación de
Diferencial hoyo sarta ripios
El plan de perforación o reparación de un pozo difiere de la ejecución real debido a eventos indeseables
que inducen costos adicionales reflejados en días improductivos que hacen perder la continuidad del
proceso.

Evaluación de
Tecnología de
Este modelo se sustenta en un análisis estadístico del comportamiento histórico de los tiempos y las
desviaciones por actividad, del plan de perforación y terminación para lo cual debe crease una base de
datos a partir de los registros y bitácoras de las actividades de perforación y reparación mayor.
La salida del modelo es una distribución probabilística de todos los posibles valores del tiempo que podría
tener el trabajo planificado. Este resultado es la base fundamental del modelo de estimación de costos.
Modelo Base
Pr(treal<tobj):44% n
TT   TACTi
i 1
m
TACTi  tLi   p j  tR j
j 1
TACTi: Tiempo de la actividad i.
m: número de riesgos asociados a la actividad i.
63.52 102.21 140.89 179.57 218.25 tLi: Tiempo limpio (sin riesgo) de la actividad i.
pj: Probabilidad de ocurrencia del riesgo “Rj”.
tRj: Tiempo asociado al riesgo j.
Tmedia:140 días n: número de actividades de un plan de perforación/reparación.
TT: Tiempo Total de Perforación/Rehabilitación.
TObjetivo:150 días
Evaluación de
Tecnología de
RESULTADOS - Sub Modelo de Tiempos de Perforación y Reparación de Pozos
Distribución de Tiempos (días)
Tiempo (días)
0.00 5.00 10.00 15.00 20.00 25.00 30.00
27.6
PEF
27.5
5.2
REG
3.6
ILP
4.4 Tiempo Total (días): 107
6.9
4.0
IEC
0.1
3.6
RCC
0.0
3.6
CMT
0.0
Actividad
3.2
EST
2.0
3.1
MTR
2.0
2.7
ACE
0.0
2.6
TIN
0.0
1.8
MAP
0.0
1.5
APB
0.0
RBA
0.0
1.1
Evaluación Post-Morten por pozo.
RGI
0.5 Tiempo Productivo (Días) Seguimiento Operacional
0.4
Identificación de los tiempos productivos e
DES
0.3 Tiempo Improductivo (Días) improductivos por pozo
0.0
Establecimiento del Límite Técnico
Evaluación de
Tecnología de
RESULTADOS - Sub Modelo de Tiempos de Perforación y Reparación de Pozos
Distribución de Tiempos Improductivos por Distribución de Desviaciones
Actividad IEC-03
RGI-08 , 9
0% 10% 20% 30% 40% 50% 60% 70% MTR-14 , 47 IEC-01 , 1
EST-02 , 48
PEF 64.86%
REG-16 , 21
ILP 16.36% REG-07 , 65 PEF-23 , 357
REG 8.40% ILP-07 , 34
EST 4.67% ILP-08 , 63
MTR 4.62%
ILP-04 , 70
RGI 0.88%
PEF-12 , 6
PEF-17 , 38
IEC 0.20% PEF-03 , 169
PEF-08 , 91
PEF-23 - Espera por lodo, PEF-03 - Condiciones Climáticas, PEF-08 - Falla de equipo, PEF-17 - Problemas en hoyo/Arrastres, PEF-12 - Atascamiento
de tubería, ILP-04 - Condiciones Climáticas, ILP-08 - Espera por transporte, ILP-07 - Espera por Producción, REG-07 - Problemas en hoyo/Pozo,
REG-16 - Pesca no programada, EST-02 - Condiciones Climaticas, MTR-14 - Pesca no programada, RGI-08 - Espera por compañía de servicio, IEC-03
- Espera por Producción, IEC-01 - Falla de equipo
Evaluación de
Tecnología de
¿Cuál es el Valor?
40%
36%
32%
61 hrs 124 hrs
28% 184 hrs
Probabilidad
24%
20%
Sin Después de la Antes de la mitigación
16% mitigación
Riesgo
12%
8%
4%
0%
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 210 220
Tiempo con Riesgo
Con la evaluación de las medidas potenciales de mitigación, el QRA identifica una posible reducción
en el tiempo total requerido para llevar acabo la operación.

Evaluación de
Tecnología de
Modelo de Evaluación Financiera Probabilista
y Jerarquización de Proyectos de Perforación y
Reparación de Pozos

Evaluación de
Tecnología de
Modelo Evaluación Financiera Probabilista Proyectos de Perforación y Reparación
Ingresos 1. Estimación probabilística Gasto Inicial de Producción (Qo)

2. Estimación Probabilística Tasa de Declinación y Perfil Producción (Q1,, Q2,, Q3,, …... Q20)
Inversión Inicial 3. Estimación probabilística del Costo de Perforación
Egresos 4. Costos de Producción y Mantenimiento
5. Estimación probabilística del Riesgo (Egresos Potenciales por Fallas)
Qo x Precio de Venta
VPNVPN
VPN
E E
E
Factor
Rentabilidad
Qi x Precio de Venta .094
Ingresos .071
VPN
.047
.024
.000
0 1 2 3 4 5 -3,000.00 -500.00 2,000.00 4,500.00 7,000.00
Pr (VPN<0)
Pr (VPN<0)
Pr(VPN<0)
Factor de Riesgo
Factor
Factor de Riesgo
de Riesgo
Costos de Producción
Egresos
Horizonte t=“n”
t=“n”meses
meses
Riesgo (Ri) económico
(egresos potenciales por fallas)
Capex
Evaluación de
Tecnología de
Modelo Evaluación Financiera Probabilista Proyectos de Perforación y Reparación
Análisis de Sensibilidad del VPN
VPNVPN
EVPN E
Factor
Factor
E
de Rentabilidad
Rentabilidad
VPN
Factor de Rentabilidad 80000000.00 90000000.00 100000000.00 110000000.00 120000000.00 130000000.00
.094 0.75 0.9

Probabilidad de alcanzar el objetivo
.071
VPN Costo Variable (Dls/barril de petroleo) 2.345 2.100
4.93 7.46
Precio de Venta del Gas (Dls/mpcd)
.047 1031389.83 923335.28
Costo Perforación
+85%
.024
% Error Gasto. -100%
85 92
Tiempo de Aparición Frente de Agua
.000 92 98
Disponibilidad del Pozo
-3,000.00 -500.00 2,000.00 4,500.00 7,000.00
87%
MOV (horas)
5.49
Pr (VPN<0) MOV-01 (horas)
Pr (VPN<0)
Pr(VPN<0)
Factor de Riesgo MOV-06 (horas)
22.70
Factor
Factor de Riesgo
de Riesgo
Tiempo Product ivo (Días)
50. 0 55.0 60.0 65.0 70. 0 75.0
M989 112.60 475.70
M291 56. 78 261.60
M389 46. 52 208.03
M670 27.01 169.04
M348 24.74 144.14
M380 29.25 143.85

71% 78% 85% 92% 99%
M340 65.11 150.78
M249 35.67 110.07
TR
M537
M787
M622
19.01
17.76
32.70
90.57
79.43
85.54
Portafolio de Acciones de Vá lvula BN
Mitigación del Riesgo
M239 16.03 67.46
M945 17.51 68.23

Lí nea de Flujo
M696 17.13 66. 81
COP (horas)
M816
17.38
16.89
64. 74
56. 25
Empaque
M190
M154
26.09
20.64
62.45
54.22
”” Libranza Downside
Upside
M748 6. 48 38.77
TOI (horas) 5. 55 35.92

Evaluación de
Tecnología de
Matriz de Jerarquización de Opciones: Rentabilidad - Riesgo
Una vez que una cartera de proyectos ha sido evaluada, tendremos una serie de distribuciones de la variable VPN
para cada proyecto. Para lograr jerarquización se estudiará la conocida “Matriz de Jerarquización de Proyectos”
F a R c et on V rt EaP bN i l i d a d
V P N P ro y e c t o “D ”
.0 9 9
.0 7 4
F r o n te r a o p t im a
.0 4 9
s in r es t r ic c i o n e s
.0 2 5
.0 0 0
- 2 2, 5 00 .0 0 - 1 5, 6 25 .0 0 - 8 ,7 5 0. 00 - 1 ,8 7 5. 00 5 ,0 0 0. 00
R ie s g o c re c i e n d o
V P N P ro y e c t o “C ”
.0 8 5
.0 6 4
F r o n te r a o p tim a
.0 4 2 c on r e s tr ic c io n e s
.0 2 1 VP N
.0 0 0 d e c r ec i e n d o
-1 00 00 .0 0 3 75 0. 00 1 75 00 .0 0 3 12 50 .0 0 4 50 00 .0 0
.0 9 4
B C
C D
D
V P N P ro y e c t o “B ”
.0 7 1
.0 4 7
A
A
.0 2 4
.0 0 0
.0 9 5
V P N P ro y e c t o “A ” - 3 , 00 0. 0 0 - 50 0. 0 0 2 , 0 0 0 .0 0 4 , 50 0. 0 0 7 , 0 0 0. 0 0
A
A F a cto r d e R ie s g o = P ro b ( V P N 0 )
.0 7 1
.0 4 8 V P N E
.0 2 4 P r (V P N < 0 F a ct or R e n t a b i li d a d
.0 0 0
-2 00 0 0. 00 -2 50 0 .0 0 1 50 0 0. 00 3 25 0 0. 00 5 00 0 0. 00
F a ct o r d e R ie sg o
Factor de Riesgo: probabilidad de que el VPN sea menor Factor de Rentabilidad: media, esperanza matemática o
que “0” (área azul) y coordenada “x” de cada proyecto. valor esperado de la distribución del VPN (VPNE), y
coordenada “y” de cada proyecto.

Evaluación de
Tecnología de
Matriz Rentabilidad Riesgo
Evaluación de
Tecnología de
Matriz Boston con Riesgo
Evaluación de
Tecnología de
Frontera de Eficiencia
Evaluación de
Tecnología de
Cual es el gran reto de la Gerencia de la Incertidumbre ?
Diseñar estrategias optimas de manejo de negocios:

- En tiempos “razonablemente prácticos”
- Para trabajar en “condiciones reales”., es decir diseñadas para funcionar aún con información
incompleta, incierta o difusa.
No debemos concentramos solo en “conseguir la información”; debemos aprender a “
construir información representativa” a partir de retazos de información
Caja de Herramientas para Gerenciar de la Incertidumbre
• Probabilidad y Estadística descriptiva • Técnicas para “elicitar la opinión de

• Árboles de Decisión expertos”
• Diagramas de Influencia • Estadística Bayesiana para mejorar
• Árboles Lógicos información
• Redes Bayesianas • Simulación de Montecarlo
• Lógica Difusa
• Algoritmos Genéticos

Evaluación de
Tecnología de
Evaluación de
Tecnología de
Evaluación de
Tecnología de
Evaluación de
Tecnología de

Resumen
 FEL
FEL eses actualmente
actualmente lala Mejor
Mejor Práctica
Práctica utilizada
utilizada por
por la
la mayoría
Resumen
mayoría
de
de las
las compañías
compañías operadoras
operadoras de de la
la industria
industria petrolera
petrolera yy se
se
fundamenta
fundamenta en:en:
 Identificación
Identificación temprana
temprana de de riesgos.
riesgos.
 Jerarquización
Jerarquización de de escenarios
escenarios posibles
posibles para
para proyectos
proyectos
basada
basada enen desempeño
desempeño yy riesgo.
riesgo.
 Generación
Generación de de un un plan
plan para
para lala administración
administración dede
incertidumbres
incertidumbres yy los
los riesgos
riesgos asociados.
asociados.

 Asegura
Asegura la
la materialización
materialización dede valor
valor de
de cada
cada proyecto:
proyecto:
 El
El análisis
análisis multiescenario-estocástico.
multiescenario-estocástico.
 El
El uso
uso de
de tecnologías
tecnologías yy de
de mejores
mejores prácticas
prácticas operacionales.
operacionales.

info@geotechdecision.com

Presentacion Curso Risk Opt

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Presentacion Curso Risk Opt

Cargado por

Copyright:

Formatos disponibles

Evaluación de

GEOTECH Yacimientos &

Análisis Cuantitativo de Riesgo e

Real Options | Efficient Frontier

Del 22 al 26 de Noviembre de 2010

Rodolfo E., Pérez S. Msc

… Aprenda a ser confiado, eficiente y

www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved

• La tarea fundamental de los analistas de proyectos u opciones de inversión es contribuir directa

www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved

www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved

Espacio de decisiones estratégicas: Espacio de ejecución estratégica:

VISUALIZAR DEFINIR EJECUTAR OPERAR

DSD – Documento de soporte de decisión PD – Punto de decisión

www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved

www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved

Administrando Riesgo e Incertidumbre

www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved

El escenario más común es el de la incertidumbre; es decir, disponer de un nivel de conocimiento que es

“La Incertidumbre es una medida de la inseguridad o grado de desconocimiento acerca

www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved

www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved

www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved

www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved

Ra(t) = pa(t) x ca(t)

Ra(t): Riesgo del evento “a” en el tiempo “t”

www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved

• Herramienta Base de Análisis: Matrices de Multiples Atributos

Área 1: • Producto: Calificación del Riesgo (Alto, Medio, Bajo)

Dimensionamiento del •Virtud: Velocidad y Facilidad del Análisis

Escuela Avanzada: Análisis Cuantitativo de

•Virtud: Reducción de la Subjetividad y Trazabilidad del Análisis

www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved

www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved

Las decisiones que se toman en el

www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved

La Probabilidad y la Estadística constituyen los

www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved

Enfoque Enfoque Subjetivo

Muestra es un subconjunto, extraído de la población (mediante técnicas de muestreo),

Individuo es cada uno de los elementos que forman la población o la muestra.

www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved

Para considerar que una muestra es “representativa”, la misma debe ser:

Robusta: La muestra contiene la cantidad suficiente de datos para que se puedan

Fidedigna: Los elementos de la muestra reproducen la realidad de los procesos y

Estandarizada: Los datos de la muestra deben tener atributos y formato predefinido

www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved

www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved

Estimado “Optimista” Estimado “Mas Probable” Estimado “Pesimista”

www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved

.042 p(X=xi): representa la probabilidad que la variable aleatoria

www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved

f(x) Histogramas de Frecuencias f(x) Distribución Parametrica

Formatos de Histogramas 0.35

0.3 El histograma de frecuencias permite contestar

Histogramas de Frecuencias probabilidad de ocurrencia?

Histograma Acumulado Directo

Frecuencias Frecuencias 0.4

Relativas Acumuladas 0.2

Aceleración de Gravedad (mts/seg2)

Histograma Acumulado Inverso

Directas Inversas 0.4

www.geotechdecision.com │ GEOTECH® 2010 All Rights Reserved

2. Un polígono de frecuencia es una gráfica de