Análise Econômica de Projetos de Exploração e Produção de ... · Resumo do Projeto de...
Transcript of Análise Econômica de Projetos de Exploração e Produção de ... · Resumo do Projeto de...
Análise Econômica de Projetos de Exploração e
Produção de Óleo e Gás Através de Estudo de Casos
Rodrigo Alan Machado Cardoso
Projeto de Graduação apresentado ao curso de
Engenharia de Petróleo da Escola Politécnica,
Universidade Federal do Rio de Janeiro, como parte
dos requisitos necessários à obtenção do título de
Engenheiro.
Orientador: Regis da Rocha Motta, Ph.D.
Rio de Janeiro
AGOSTO de 2017
ii
Análise Econômica de Projetos de Exploração e
Produção de Óleo e Gás Através de Estudo de Casos
Rodrigo Alan Machado Cardoso
PROJETO DE GRADUAÇÃO SUBMETIDO AO CORPO DOCENTE DO CURSO DE
ENGENHARIA DE PETRÓLEO DA ESCOLA POLITÉCNICA DA UNIVERSIDADE
FEDERAL DO RIO DE JANEIRO COMO PARTE DOS REQUISITOS
NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE ENGENHEIRO.
Examinado por:
Rio de Janeiro
AGOSTO de 2017
iii
Cardoso, Rodrigo Alan Machado
Análise Econômica de Projetos de Exploração e Produção de
Óleo e Gás Através de Estudo de Casos / Rodrigo Alan Machado
Cardoso – Rio de Janeiro: UFRJ/ Escola Politécnica, 2017.
XV, 99 p.: il.; 29,7 cm.
Orientador: Regis da Rocha Motta
Projeto de Graduação – UFRJ / Escola Politécnica / Curso de
Engenharia de Petróleo, 2017.
Referências Bibliográficas: p.90-93
1.Análise Econômica. 2.Análise de Risco. 3.Simulação de
Monte Carlo. 4.Árvore de Decisões. I. Motta, Regis da Rocha. II.
Universidade Federal do Rio de Janeiro, UFRJ, Escola Politécnica,
Engenharia de Petróleo. III. Análise Econômica de Projetos de
Exploração e Produção de Óleo e Gás Através de Estudo de Casos.
iv
Dedico este trabalho a Deus e à minha
família, especialmente à minha mãe que
mesmo acometida de um câncer no cérebro,
é exemplo de coragem, desprendimento e
gratidão.
v
AGRADECIMENTOS
Sou imensamente grato a Deus por renovar continuamente minhas forças e me guiar
segundo o mistério de sua Divina Providência.
Sou extremamente grato aos meus pais, Tereza e José, pelo suporte, apoio e paciência ao
longo destes anos. Todos sacrifícios empreendidos para me prover uma educação de
qualidade jamais serão esquecidos e com toda certeza serão para sempre recompensados.
Sou grato também ao meu irmão mais velho Gustavo, pela amizade incondicional e pelo
bom exemplo de dedicação profissional enquanto médico neurocirurgião. Agradeço
também à Camila pelo companheirismo e por sempre acreditar no meu potencial.
Não poderia deixar de agradecer também ao meu orientador Regis da Rocha Motta, por
toda atenção, boa vontade e solicitude despendidos ao longo da elaboração deste Projeto
de Graduação.
vi
Resumo do Projeto de Graduação apresentado à Escola Politécnica da UFRJ como parte
dos requisitos necessários para a obtenção do grau de Engenheiro de Petróleo.
Análise Econômica de Projetos de Exploração e Produção de Óleo e Gás Através de
Estudo de Casos
Rodrigo Alan Machado Cardoso
Agosto/2017
Orientador: Regis da Rocha Motta
Curso: Engenharia de Petróleo
A simulação e modelagem econômica é vital em projetos de exploração e produção de
óleo e gás. O elevado número de incertezas associadas ao processo de prospecção e
produção, somado ao grande número de particularidades técnicas da engenharia de poços
e reservatórios, originam decisões com alto nível de complexidade.
Tem sido notável a evolução realizada nos últimos anos no aprimoramento de diversas
ferramentas utilizadas na tomada de decisões. Neste sentido, uma ampla e significativa
experiência vem se acumulando em universidades corporativas e em publicações de
congressos internacionais.
Tal evolução, no entanto, não tem sido bem assimilada na literatura brasileira voltada para
análise econômica de projetos exploratórios de óleo e gás. É neste contexto que o presente
trabalho se insere e espera contribuir; mostrando alguns casos mais elaborados, práticos
e factíveis dentro da exploração e produção petrolífera.
Será possível ver a aplicação de critérios consagrados da pesquisa operacional no suporte
de decisões exploratórias; o uso da simulação de Monte Carlo para estimativa de reservas
e previsão de produção; além da utilização da chamada Árvore de Decisões em busca de
uma escolha ótima para contextos de risco e incerteza com múltiplos cenários.
Palavras chave: Análise econômica, Risco, Incerteza, Monte Carlo, Árvore de decisões.
vii
Abstract of Undergraduate Project presented to POLI/UFRJ as a partial fulfillment of the
requirements for the degree of Petroleum Engineer.
Economic Analysis of Oil and Gas Exploration and Production Projects Through Case
Studies
Rodrigo Alan Machado Cardoso
August/2017
Advisor: Regis da Rocha Motta
Course: Petroleum Engineering
Simulation and economic modeling is vital in oil and gas exploration and production
projects. The high number of uncertainties associated with the prospecting and production
process, plus the large number of technical features of well and reservoir engineering,
lead to decisions with a high level of complexity.
It is notable that evolution has been made in recent years in the improvement of several
tools used in decision making. In this sense, a wide and significant experience has been
accumulating in corporate universities and publications of international congresses.
However, this evolution has not been well followed and assimilated in the brasilian
literature focused on economic analysis of exploratory oil and gas projects. It is in this
context that the present work is inserted and hopes to contribute, showing some more
elaborate, practical and feasible cases of Upstream industry.
It will be possible to see the application of established criteria of the operational research
in the support of exploratory decisions, the use of the Monte Carlo simulation to estimate
reserves and the forecast of production. Besides the use of the decision tree in search of
the optimal choice for contexts of uncertainty with multiple scenarios.
Keywords: Economic Analysis, Risk, Uncertainty, Monte Carlo, Decision Tree.
viii
SUMÁRIO
1 INTRODUÇÃO ...................................................................................................... 1
1.1 Motivação ......................................................................................................... 2
1.2 Objetivo e Metodologia .................................................................................... 2
1.3 Estrutura do trabalho ........................................................................................ 3
2 ANÁLISE DE RISCO ............................................................................................ 5
2.1 Preâmbulo ......................................................................................................... 5
2.2 Critérios diferentes para tratar o risco .............................................................. 8
2.2.1 Valor Monetário Esperado............................................................................ 8
2.2.2 Critério de Wald ........................................................................................... 9
2.2.3 Critério de Laplace ....................................................................................... 9
2.2.4 Critério de Hurwicz .................................................................................... 10
2.2.5 Critério de Savage ...................................................................................... 10
2.3 Exemplo de Análise de Risco ......................................................................... 10
2.4 Resultados e Discussões ................................................................................. 12
2.4.1 VME ........................................................................................................... 12
2.4.2 Wald............................................................................................................ 12
2.4.3 Laplace........................................................................................................ 13
2.4.4 Hurwicz ...................................................................................................... 13
2.4.5 Hurwicz: 1,0 ........................................................................................... 13
2.4.6 Hurwicz: 0,5 ........................................................................................... 14
2.4.7 Hurwicz: 0,0 ........................................................................................... 14
2.4.8 Savage ......................................................................................................... 14
2.4.9 Síntese dos Resultados Obtidos .................................................................. 15
3 ESTATÍSTICA E PROBABILIDADE ............................................................... 16
3.1 Preâmbulo ....................................................................................................... 16
3.2 Principais distribuições e suas características ................................................ 18
3.2.1 Normal ........................................................................................................ 18
3.2.2 Log-Normal ................................................................................................ 20
3.2.3 Triangular ................................................................................................... 22
3.2.4 Uniforme ..................................................................................................... 23
3.2.5 Gama ........................................................................................................... 24
ix
3.2.6 Exponencial ................................................................................................ 25
3.3 Ajuste de distribuições aos dados empíricos .................................................. 26
3.3.1 Qui-quadrado .............................................................................................. 26
3.3.2 Kolmogorov-Smirnov ................................................................................. 27
3.3.3 Anderson Darling ....................................................................................... 29
3.4 Estudo de Caso: Murtha modificado .............................................................. 30
3.5 Resultados e Discussões ................................................................................. 31
3.5.1 Ajuste de distribuições................................................................................ 31
3.5.2 Análise de correlação entre os inputs ......................................................... 34
3.5.3 Simulação de Monte Carlo ......................................................................... 35
3.5.4 Análise de Sensibilidade ............................................................................. 37
3.5.5 Previsão de Produção.................................................................................. 38
4 ÁRVORE DE DECISÕES ................................................................................... 39
4.1 Preâmbulo ....................................................................................................... 39
4.2 Estrutura da Árvore ........................................................................................ 40
4.3 Modelagem Decisória ..................................................................................... 41
4.4 Estudo de caso: Teste e Perfuração ................................................................ 44
4.5 Resultados e discussões .................................................................................. 45
4.5.1 Árvore estrutural do problema .................................................................... 45
4.5.2 Árvore ótima ............................................................................................... 48
4.5.3 Resumo Estatístico ..................................................................................... 49
4.5.4 Gráfico de probabilidade ............................................................................ 49
4.5.5 Gráfico Cumulativo .................................................................................... 51
4.5.6 Análise de Sensibilidade ............................................................................. 52
4.5.7 Gráfico de sensibilidade unidirecional ....................................................... 52
4.5.8 Região de Estratégia unidirecional ............................................................. 53
4.5.9 Gráfico de tornado ...................................................................................... 54
4.5.10 Gráfico de Radar ........................................................................................ 55
4.5.11 Gráfico de sensibilidade bidirecional ......................................................... 56
4.5.12 Região de Estratégia Bidirecional .............................................................. 57
4.5.13 Perfil de Risco ............................................................................................. 58
5 ESTUDO DE CASO: OIL WILDCATTING ..................................................... 66
5.1 Resultados obtidos .......................................................................................... 67
x
5.1.1 Estrutura da Árvore .................................................................................... 67
5.1.2 Árvore ótima ............................................................................................... 71
5.1.3 Resumo Estatístico ..................................................................................... 72
5.1.4 Gráfico de Probabilidade ............................................................................ 72
5.1.5 Gráfico Cumulativo .................................................................................... 73
5.1.6 Gráfico de sensibilidade e Gráfico de Tornado .......................................... 74
5.1.7 Gráfico de Radar ......................................................................................... 76
5.1.8 Gráficos da região de estratégia.................................................................. 77
5.1.9 Análise de Risco ......................................................................................... 80
6 CONCLUSÃO ....................................................................................................... 88
7 REFERÊNCIAS BIBLIOGRÁFICAS ............................................................... 90
APÊNDICE ................................................................................................................... 94
xi
ÍNDICE DE FIGURAS
Figura 2.1: Metodologia para tomada de decisões .......................................................... 6
Figura 2.2: Classificação de probabilidades em função do Risco ................................... 9
Figura 3.1: Distribuição normal padrão ......................................................................... 18
Figura 3.2: Distribuição normal padrão acumulada ...................................................... 19
Figura 3.3: Função de distribuição Log-Normal ........................................................... 20
Figura 3.4: Função de distribuição acumulada Log-Normal para diferentes σ ............. 21
Figura 3.5: Função densidade de probabilidade e acumulada triangular ...................... 22
Figura 3.6: Função de distribuição Uniforme ................................................................ 23
Figura 3.7: Distribuição Gama para diferentes valores de α e β ................................... 24
Figura 3.8: F.d.p. e f.d.a. Exponencial........................................................................... 25
Figura 3.9: Ajustamento de uma f.d. hipotética Fo a uma f.d. empírica Fn .................. 28
Figura 3.10: Ajuste de distribuição Log-Normal para a Área ....................................... 31
Figura 3.11: Ajuste de distribuição Log-Normal para Espessura .................................. 32
Figura 3.12: Ajuste de distribuição Normal para a Porosidade ..................................... 32
Figura 3.13: Ajuste de distribuição Normal para Saturação de água ............................ 33
Figura 3.14: Ajuste de distribuição Log-Normal para Bo ............................................. 33
Figura 3.15: Correlação entre porosidade e saturação de água ..................................... 34
Figura 3.16: Histograma e Curva Cumulativa Ascendente de OIP ............................... 35
Figura 3.17: Ajuste de distribuição de probabilidade de OIP ........................................ 36
Figura 3.18: Distribuição de probabilidade para log(OIP) ............................................ 36
Figura 3.19: Resumo dos resultados dos Inputs ............................................................ 37
Figura 3.20: Gráfico Tornado comparando análises de sensibilidade ........................... 37
Figura 3.21: Previsão de Produção de óleo considerando incertezas associadas .......... 38
Figura 4.1: Elementos básicos de uma árvore de decisões ............................................ 40
Figura 4.2: Diferença estrutural da árvore para dois eventos A e B dependentes ......... 41
Figura 4.3: Múltiplas decisões iniciais: identificação de estratégias ............................. 42
Figura 4.4: Decisão única com múltiplas incertezas: identificação de cenários ........... 43
Figura 4.5: Árvore de probabilidade inicial ................................................................... 45
Figura 4.6: Árvore de probabilidade invertida .............................................................. 46
Figura 4.7: Árvore de decisão completa do problema ................................................... 47
Figura 4.8: Árvore de decisão do problema .................................................................. 48
Figura 4.9: Especificações de cada decisão ................................................................... 48
xii
Figura 4.10: Gráfico de Probabilidade .......................................................................... 50
Figura 4.11: Gráfico Cumulativo................................................................................... 51
Figura 4.12: Gráfico de Sensibilidade Unidirecional .................................................... 52
Figura 4.13: Região de Estratégia Unidirecional........................................................... 53
Figura 4.14: Gráfico de Tornado ................................................................................... 54
Figura 4.15: Gráfico de Radar ....................................................................................... 55
Figura 4.16: Gráfico de Sensibilidade Bidirecional ...................................................... 56
Figura 4.17: Região de Estratégia Bidirecional ............................................................. 57
Figura 4.18: Equivalente de Certeza em função do custo de perfuração ...................... 59
Figura 4.19: Equivalente de Certeza em função da Tolerância ao Risco ...................... 59
Figura 4.20: Payoff da decisão de testar em função do lucro de um poço AP .............. 60
Figura 4.21: Região de Estratégia do teste geológico ................................................... 61
Figura 4.22: Equivalente de Certeza em função do percentual de participação ............ 62
Figura 4.23: Região de estratégia da decisão do teste ................................................... 64
Figura 4.24: Região de estratégia da decisão do teste ................................................... 64
Figura 4.25: Equivalente Certo em função do share e lucro ......................................... 65
Figura 5.1: Árvore de probabilidade inicial do primeiro local ...................................... 67
Figura 5.2: Árvore de probabilidade invertida .............................................................. 68
Figura 5.3: Árvore de decisão do problema .................................................................. 70
Figura 5.4: Árvore de decisão do problema .................................................................. 71
Figura 5.5: Especificação da melhor decisão ................................................................ 71
Figura 5.6: Gráfico de Probabilidade ............................................................................ 73
Figura 5.7: Gráfico Cumulativo..................................................................................... 74
Figura 5.8: Gráfico de sensibilidade unidirecional para o local 1 ................................. 75
Figura 5.9: Gráfico de sensibilidade unidirecional para o local 2 ................................. 75
Figura 5.10: Gráfico de tornado .................................................................................... 76
Figura 5.11: Gráfico Radar ............................................................................................ 77
Figura 5.12: Região de Estratégia unidirecional para o local 1 ..................................... 78
Figura 5.13: Região de Estratégia unidirecional para o local 2 ..................................... 78
Figura 5.14: Região de Estratégia bidimensional .......................................................... 79
Figura 5.15: Equivalente certo em função da Tolerância ao Risco ............................... 80
Figura 5.16: Região de Estratégia em função da Tolerância ao Risco .......................... 81
Figura 5.17: Equivalente de certeza em função do Percentual de Participação ............ 82
Figura 5.18: Região de Estratégia em função do Percentual de Participação ............... 83
xiii
Figura 5.19: Gráfico Radar ............................................................................................ 84
Figura 5.20: Gráfico Spider ........................................................................................... 84
Figura 5.21: Análise de Sensibilidade Bidimensional ................................................... 85
Figura 5.22: Região de Estratégia Bidirecional ............................................................. 86
Figura 5.23: Análise de Sensibilidade Bidimensional ................................................... 87
xiv
ÍNDICE DE TABELAS
Tabela 2.1: Matriz de Possibilidades .............................................................................. 11
Tabela 2.2: Ordenação pelo Coeficiente de Variação .................................................... 12
Tabela 2.3: Decisão pelo Critério de Wald..................................................................... 12
Tabela 2.4: Decisão pelo Critério de Laplace ................................................................. 13
Tabela 2.5: Decisão pelo Critério de Hurwicz para =1 ................................................ 13
Tabela 2.6: Decisão pelo Critério de Hurwicz para =0,5 ............................................. 14
Tabela 2.7: Decisão pelo Critério de Hurwicz para =0,0 ............................................. 14
Tabela 2.8: Decisão pelo Critério de Savage .................................................................. 14
Tabela 2.9: Síntese dos Resultados................................................................................. 15
Tabela 3.1: Parte dos dados amostrais: A, h, Φ, Sw, Bo ................................................ 30
Tabela 4.1: Custo, lucros e probabilidades do local ....................................................... 44
Tabela 4.2: Probabilidades do teste dada a ocorrência de cenários ................................ 44
Tabela 4.3: Parâmetros estatísticos ................................................................................. 49
Tabela 4.4: Dados da figura 4.8 ...................................................................................... 50
Tabela 4.5: Dados do gráfico .......................................................................................... 63
Tabela 4.6: Dados do gráfico .......................................................................................... 63
Tabela 5.1: Custos, payoffs e probabilidades das locações ............................................ 66
Tabela 5.2: Resumo das probabilidades condicionais da primeira locação ................... 69
Tabela 5.3: Parâmetros estatísticos por locação ............................................................. 72
xv
GLOSSÁRIO
AP Alta produção
BP Baixa Produção
PS Poço Seco
D Domo salino
SD Sem Domo salino
FDP Função Densidade de Probabilidade
FDA Função de Distribuição Acumulada
E&P Exploração e Produção
P&D Pesquisa e Desenvolvimento
VME Valor Monetário Esperado
FPSO Floating Production Storage and Offloading
TLP Tension Leg Plataform
1
1 Introdução
A avaliação econômica de projetos de exploração e produção de óleo e gás nunca é uma
tarefa simples de rápida resolução. O grande número de variáveis tecnológicas capazes
de influenciar o rendimento e eficiência de etapas que vão desde a prospecção até a
produção, deve ser sempre contrabalançado com a análise econômica.
Este ponto ótimo de harmonização da eficiência técnica do projeto com sua viabilidade
econômica possui um equilíbrio tênue, dado o caráter multidisciplinar de ambas partes.
Observa-se, porém, que transpassar os limites tecnológicos atualmente existentes requer,
além de tempo, pesados investimentos em P&D que invariavelmente responderão a um
questionamento do custo de oportunidade dos recursos aplicados.
Evidencia-se, desta forma, a presença primária de considerações de ordem econômica
para que aspectos tecnológicos possam ter maiores condições de influenciar o andamento
de um projeto.
De fato, a análise técnica no âmbito da engenharia de projetos supõe a análise econômica
que é quem irá determinar, em última instância, se determinado projeto é ou não
exequível.
A estruturação adequada do problema que se quer resolver é a primeira etapa para
construção de modelos que gerem o resultado desejado. Dependendo do contexto e da
disponibilidade de dados, determinados tipos de abordagem e ferramentas se mostrarão
mais propícias para lidar com as particularidades de determinado projeto.
Neste contexto, cresce a necessidade de profissionais com conhecimento em ambas áreas
(técnica e econômica) que possam fomentar o diálogo e a comunicação entre as mesmas
em busca da melhor solução.
Muitas vezes não há uma única solução adequada para um determinado problema. Porém,
sempre haverá uma configuração que do ponto de vista econômico, minore custos e
exposição a riscos sem abrir mão significativamente do rendimento e eficiência do
processo.
2
1.1 Motivação
A análise econômica de projetos de E&P de óleo e gás é, por motivos didáticos,
frequentemente apresentada na literatura nacional de forma puramente teórica, carecendo
de exemplos práticos que permitam perceber o real alcance das ferramentas utilizadas.
É relativamente frequente ver a aplicação de um mesmo estudo de caso exemplificando
diversas etapas que compõe a análise econômica. Geralmente, um mesmo exemplo é
tratado com diferentes técnicas de simulação e modelagem econômica, sem muita
preocupação para o contexto que define o melhor momento de utilização de cada uma.
Se por um lado este procedimento favorece, em estágios iniciais, o entendimento e
apreensão dos principais conceitos; não o faz sem que haja algum comprometimento de
uma percepção mais profunda a respeito da real extensão da aplicabilidade de cada passo.
Tal forma de proceder ocasiona o desenvolvimento de uma visão desintegrada ou
demasiadamente simplificada das diversas fases que constituem a análise econômica.
Constata-se, consequentemente, uma certa subutilização de softwares que possuem
enorme potencial e capacidade de processamento, especialmente no ensino de disciplinas
ligadas a análise de risco. Tais deficiências contribuem, inegavelmente, para certa
dificuldade em visualizar a aplicabilidade das técnicas aprendidas no âmbito acadêmico,
em processos decisórios de nível industrial que possuem maiores níveis de complexidade.
O presente trabalho espera suprir esse hiato, mostrando, através de diferentes exemplos e
casos práticos, a aplicabilidade real de diversas ferramentas usadas em cenários não
idealizados.
1.2 Objetivo e Metodologia
Sendo grande a variedade de fatores influenciadores na exploração e produção de
petróleo, cada projeto apresenta, na prática, um universo de possibilidades que deverão
ser todos ponderados pela análise econômica.
Aprofundar-se nessa temática através do estudo de casos é, portanto, adentrar da forma
mais séria, profunda e extensa em diversas disciplinas que frequentemente são tratadas
de forma pouco empírica, isto é, com maior foco na parte conceitual teórica.
3
O objetivo do presente trabalho é, portanto, mostrar a análise econômica de projetos de
E&P de óleo e gás através de diferentes estudos de casos. Serão analisadas diversas
formas de avaliação econômica em casos distintos, visando obter, assim, uma
compreensão concreta da análise econômica em diferentes contextos.
Esta abordagem não tecerá considerações minuciosas da fundamentação teórica das
técnicas que estarão sendo aplicadas. Para isso já existe abundante bibliografia que versa
com maestria sobre as diversas disciplinas que serão aqui utilizadas, tais como: estatística,
probabilidade, análise de risco, pesquisa operacional, árvore de decisões e simulação de
Monte Carlo.
A menor abundância de considerações teóricas não supõe, porém, ausência de
explicações das soluções aqui empregadas. Espera-se, inclusive, que o leitor ao término
desta obra esteja munido de um arcabouço de soluções que terão aplicabilidade prática
no seu trabalho; conforme a similaridade dos casos aqui vistos com os dados disponíveis
e contextos que esteja lidando.
Esta forma de proceder propiciará, portanto, maior rapidez no aprendizado para lidar com
múltiplos cenários. Desta forma será extraído grande potencial empírico dos diversos
softwares que serão aqui utilizados, tais como: @Risk, PrecisionTree e Excel.
1.3 Estrutura do trabalho
O presente trabalho está estruturado em sete capítulos no qual essa introdução
corresponde ao primeiro. Ressalta-se aqui a grande importância e complexidade da
análise econômica em projetos de exploração e produção de óleo e gás; mostrando
objetivo, metodologia e motivação na elaboração deste estudo feito através de um
conjunto seleto de estudos de casos.
O capítulo dois tratará da análise de risco através da estruturação de um problema incerto
e do uso de metodologias para mitigação de incertezas. Diversos critérios probabilísticos
e não probabilísticos serão aplicados para lidar com os riscos e incertezas de uma decisão
a ser tomada. Eventuais decisões conflitivas serão discutidas e contrabalançadas entre si
em busca de uma melhor linha de atuação para o problema proposto.
O capítulo três requer que o leitor esteja familiarizado com conceitos de estatística e
probabilidade que o permitam associar incertezas dos dados de entrada de um modelo à
4
dispersão de valores e distribuições de probabilidade. Será visto a aplicação da simulação
de Monte Carlo para estimativa do tamanho original de um reservatório, a partir de uma
massa de dados com distribuição desconhecida que representam diversos parâmetros do
mesmo. Além disso, será obtido a previsão de produção do referido reservatório, levando
em consideração as respectivas incertezas associadas aos inputs do modelo utilizado.
No capítulo quatro será visto uma poderosa ferramenta na tomada de decisões que é
própria para situações com diversas possibilidades futuras em múltiplos cenários; a
chamada Árvore de Decisões. Basicamente será modelada a decisão de perfuração de
poços em uma região a partir dos resultados de outra decisão anterior, sobre a realização
de um teste geológico, a ser tomada previamente à decisão de perfuração propriamente
dita.
O capítulo cinco mostrará um estudo de caso que complementa a aplicação de Árvore de
Decisões usada no exemplo do capítulo anterior. Agora, porém, a modelagem decisória
de perfuração se aplicará a mais de uma localidade. Tal situação é bastante comum em
empresas operadoras que precisam decidir a locação de um poço, dada distintas
características das regiões candidatas a perfuração.
Nos capítulos seis e sete chega-se, respectivamente, a uma conclusão dos principais
resultados obtidos, além de ser feito as devidas referências bibliográficas que foram
utilizadas ao longo da confecção desta obra.
Toda modelagem e simulação foi realizada utilizando-se o pacote “Decision Tools” da
Palisade Corporation. As respectivas análises foram realizadas através dos diversos
gráficos e relatórios gerados.
5
2 Análise de Risco
2.1 Preâmbulo
O estudo da análise de risco está sempre inserido em um contexto de tomada de decisões.
A incerteza dos agentes de decisão provém de situações repletas de dados incertos além
de múltiplos objetivos, alternativas e diferentes trade-off entre eles.
No âmbito da teoria das decisões sabe-se que uma decisão considerada boa não
necessariamente conduz a bons resultados [1]. No entanto, observa-se também que a
abordagem estruturada de processos decisórios proporciona enorme incremento
qualitativo a decisões inseridas em contextos de difícil valoração subjetiva [2].
Especificamente no ramo Upstream da indústria petrolífera, observa-se que a dificuldade
da tomada de decisões se deve aos seguintes [3] desafios comumente deparados pelos
gestores:
• Incerteza: Decisões em E&P de óleo e gás são inerentemente baseadas em
informações escassas e incertas provenientes da geologia desconhecida da região
que se quer explorar.
• Complexidade: Há muitas decisões a serem tomadas que deverão levar em conta
um número enorme de fatores, fazendo com que as incertezas, decisões e suas
consequências interajam entre si, alterando continuamente o quadro global.
• Multiplicidade de Objetivos: Grande parte das empresas possuem múltiplos
objetivos levados em conta em seus projetos ao longo de um processo decisório.
Isso dificulta a comparação de performances das diferentes alternativas de decisão
através da utilização de múltiplas métricas competitivas.
• Ambiguidade: Não é pouco frequente haver falta de clareza ou consenso entre
quais seriam os objetivos reais de maior peso e os de importância relativa.
• Ansiedade por resultados: As consequências de decisões carregadas de incerteza
são vitais para o próprio tomador de decisão uma vez que traz sérias
consequências para a empresa e para os demais funcionários que nela trabalham.
6
Uma vez identificados os desafios que tornam difícil a tomada de decisão, estrutura-se o
processo decisório através de uma metodologia que correlaciona seus principais
elementos. A figura 2.1 ilustra uma série de passos categorizados em três grandes fases
que compreendem a estruturação, modelagem e avaliação.
Figura 2.1: Metodologia para tomada de decisões
(Fonte: Adaptação do “Making Good Decisions’)
7
Observe que a realidade dinâmica de um processo decisório requer boa comunicação
entre as diversas etapas das diferentes fases. O contexto inicial é dado pela natureza e
define os dados e informações que irão compor as variáveis iniciais do problema, além
de condicionar o estabelecimento dos objetivos.
Estes serão definidos conforme seu grau de importância e só serão alcançados mediante
a criação de alternativas de solução para os desafios que se interpõe ao alcance das metas.
Diferentes alternativas requerem, no entanto, avaliação do retorno proporcionado por
cada uma delas. Note, porém, que isso só será viável a partir do tratamento das incertezas
associadas aos dados iniciais e de uma análise técnica-econômica que constituirá
propriamente o início da modelagem decisória.
A dispersão de valores que os parâmetros de entrada do modelo podem assumir requer o
tratamento dos mesmos através de uma análise estatística descritiva que culminará no
ajuste de distribuições aos dados empíricos iniciais, visando resultados probabilísticos.
Isto será aplicado tanto na parte técnica de execução do projeto em si, quanto na parte
econômica que dela é diretamente relacionada e em certo sentido dependente.
De fato, em projetos da indústria petrolífera, a avaliação do retorno financeiro das
alternativas deve contar com incertezas financeiras expressas na inconstância do fluxo de
caixa ao longo de uma produção e do próprio risco de não se achar óleo. A obtenção do
valor presente líquido e da taxa interna de retorno não dispensa, portanto, o tratamento
adequado em termos de estatística e probabilidade.
Como o retorno de uma alternativa é obtido em função de múltiplos critérios, deve-se
avaliar a compensação de diferentes escolhas conforme variação individual e conjunta
dos mesmos. Isto é possível através da execução de uma análise de sensibilidade que irá
variar as entradas do modelo e observar o comportamento das saídas. Obter-se-á, assim,
o conjunto de valores que maximizam o retorno de cada alternativa em busca da escolha
ótima na qual a compensação é mais vantajosa.
Uma vez executada a alternativa ótima, analisa-se seus resultados efetivos em
comparação com os previstos pelo modelo e utiliza-se eventuais diferenças para revisar
se os objetivos foram corretamente estabelecidos, recomeçando-se o ciclo. Trata-se,
portanto, de um processo decisório tipo feedback que busca continuamente o
aperfeiçoamento do próprio modelo.
8
Segundo Reidar B. Bratvold e Steve H. Begg, [3] o valor desta metodologia não reside
tanto na precisão dos números gerados em algumas etapas que envolvem procedimentos
analíticos e cálculos numéricos e sim na esquematização de um pensamento ordenado e
objetivo. Tal forma de proceder propiciaria claridade para tomada de ações e qualidade
das mesmas em meio a complexidade de dados não confiáveis inerentes à E&P de óleo e
gás.
Neste contexto, é fácil ver que modelos determinísticos típicos de ambientes isentos de
risco e incerteza, não tem qualquer espaço ou aplicabilidade em processos decisórios reais
da indústria petrolífera. Dessa forma, aqui serão abordados apenas os critérios
probabilísticos e não probabilísticos correspondentes aos seus respectivos ambientes de
risco e incerteza, conforme mostrado a seguir.
2.2 Critérios diferentes para tratar o risco
Há uma série de critérios que podem ser utilizados para auxiliar a tomada de decisões no
contexto incerto dos projetos de óleo e gás. No exemplo deste capítulo será utilizado o
Valor Monetário Esperado (VME) como critério probabilístico para tomada da decisão
em ambiente de risco.
Para os demais casos será visto aplicação dos critérios de Wald, Laplace, Hurwicz e
Savage. Os resultados e programação dos algoritmos decisórios descritos em cada critério
foram realizados através do EXCEL.
2.2.1 Valor Monetário Esperado
Considerando equiprováveis os três estados na natureza, a probabilidade de cada evento
é igual a 33,3%. Havendo (n) possibilidades, o Valor Monetário Esperado (VME) será
dado [4] pela fórmula abaixo:
n
VME = (Valor) X (probabilidade) = média ponderada pelas probabilidades.
j = 1
A alternativa a ser escolhida será aquela que apresentar maior VME. Note que o valor
esperado pode ser positivo ou negativo.
9
Na figura 2.2 é possível observar o cruzamento de diversas possibilidades em termos do
produto acima mencionado, assim como uma classificação de diversos níveis de risco e
do seu impacto.
Figura 2.2: Classificação de probabilidades em função do Risco
(Fonte: MOTTA, Regis et al: Engenharia Econômica e Financeira)
2.2.2 Critério de Wald
Corresponde a uma atitude pessimista ou prudente do tomador de decisão uma vez que
supõe a ocorrência do pior resultado possível, isto é, aquele com menor benefício. Deve-
se escolher a estratégia com o resultado menos desfavorável entre as opções com
resultados mais adversos [5].
Apresenta, portanto, como solução ótima, a escolha com resultado mais elevado dentre
os menores valores alcançados pelas diferentes estratégias e os diferentes estados da
natureza
2.2.3 Critério de Laplace
O critério de Laplace busca integrar, em um único valor, as diferentes consequências
possíveis de uma decisão em condições de incerteza. A melhor alternativa será aquela
que apresentar a maior média aritmética dos resultados esperados de cada estratégia [6].
O uso da média aritmética naturalmente impõe uma ponderação uniforme para os estados
da natureza e isto pode ser atribuído à ausência de informação em relação aos possíveis
acontecimentos. Trata-se, portanto, de um meio termo dos casos Maximin e Maximax.
Valor de Risco R = P x I
Probabilidade P
Impacto I
Nu
lo
Ins
ign
ific
an
te
Men
or
Mo
de
rad
o
Maio
r
Ca
tastr
ófi
co
0,00 0,20 0,40 0,60 0,80 1,00
Muito Provável 1,00 0,000 0,200 0,400 0,600 0,800 1,000
Provável 0,80 0,000 0,160 0,320 0,480 0,640 0,800 Alta
Possível 0,60 0,000 0,120 0,240 0,360 0,480 0,600
Improvável 0,40 0,000 0,080 0,160 0,240 0,320 0,400 Moderada
Raro 0,20 0,000 0,040 0,080 0,120 0,160 0,200
Nulo 0,00 0,000 0,000 0,000 0,000 0,000 0,000 Baixa
Impacto
Pro
ba
bib
lid
ad
e
Importância
10
2.2.4 Critério de Hurwicz
Baseia-se no coeficiente de realismo , um número entre zero e um, que reflete o grau de
otimismo do gestor. Hurwicz propôs uma ponderação assimétrica do pior valor,
ponderado pelo coeficiente (α) e do melhor valor, ponderado pelo coeficiente (1–α). Desta
forma, calcula-se a média ponderada H entre o pior e melhor resultados potenciais,
escolhendo-se a estratégia que maximiza a média ponderada (H) dada por [7]:
𝐻 = (1 − 𝛼)𝑚 + 𝛼𝑀
Sendo: M=resultado máximo; m= resultado mínimo e = coeficiente de realismo.
2.2.5 Critério de Savage
Savage incorporou em seu processo decisório uma função denominada “arrependimento”.
Trata-se de uma função que mede o ressentimento de uma decisão equivocada após a
escolha de uma determinada linha de atuação. É calculado pela diferença entre os
resultados das diversas alternativas de ação e o melhor resultado possível já realizado [8].
Desta forma, o melhor resultado de cada estado da natureza serve, portanto, como alicerce
para quantificação das funções de arrependimento. A decisão ótima será aquela que
retornará o menor grau de arrependimento [9]
Corresponde, portanto, a uma atitude conservadora e/ou de prudência por parte do
tomador de decisão uma vez que recomenda a escolha que minimiza ao máximo o maior
arrependimento ou perda de oportunidade.
2.3 Exemplo de Análise de Risco
A empresa operadora Z, especializada em exploração e produção de petróleo, detém 25%
do mercado, contra 45% e 15% das empresas W e Y, suas duas principais concorrentes e
5% ocupados por algumas empresas marginais. A empresa Z quer aumentar seus lucros
e a sua participação no mercado.
Deseja-se saber qual decisão (Dj) de estratégia deve ser tomada pelos dirigentes desta
empresa levando em consideração um espaço amostral de quatro decisões possíveis
representados por:
11
• D1: exploração offshore, no pré-sal, em águas ultra profundas, nas bacias de
Campos, Santos e Espírito Santo;
• D2: exploração offshore, no pós-sal, em águas profundas, na bacia de Campos;
• D3: exploração offshore, no pós-sal, em águas rasas, nas bacias do Ceará e Rio
Grande do Norte;
• D4: exploração onshore, no pós-sal, na bacia do Recôncavo Baiano.
Através de uma análise de dados históricos de projetos de exploração pré-existentes, os
dirigentes da empresa Z fizeram previsões baseadas em cenários equiprováveis, chegando
a três formas distintas (estados da natureza) de resultados esperados:
• E1: Poço seco;
• E2: Reserva Média;
• E3: Reserva Grande.
O resultado final associado a cada alternativa de decisão submetida aos diferentes estados
da natureza é sumarizada na tabela 2.1 que representa a matriz de possibilidades.
Tabela 2.1: Matriz de Possibilidades
(Fonte: Dados e Tabela: Elaboração própria)
E1 - Poço
Seco
E2 - Reserva
Média
E3 - Reserva
Grande
D1 – offshore, pré-sal,
águas profundas, bacias
de Campos, Santos e
Espírito Santo R$ (800.000,00) R$ 600.000,00 R$ 1.300.000,00
D2 – offshore, pós-sal,
águas profundas, bacia de
Campos R$ (65.000,00) R$ 200.000,00 R$ 350.000,00
D3 – offshore, pós-sal,
águas rasas, bacias do
Ceará e Rio Grande do
Norte R$ (500.000,00) R$ 300.000,00 R$ 800.000,00
D4 – onshore, pós-sal,
bacia do Recôncavo
Baiano R$ (150.000,00) R$ 400.000,00 R$ 900.000,00
Estratégia da Empresa
Estados da Natureza
Resultados Esperados
12
2.4 Resultados e Discussões
2.4.1 VME
As implicações das quatro estratégias em termos de valor esperado e risco podem ser
vistas abaixo na tabela 2.2.
Tabela 2.2: Ordenação pelo Coeficiente de Variação
(Fonte: Dados e Tabela: Elaboração própria)
Veja que a estratégia D4 domina a D1 e a estratégia D2 domina a D3 uma vez que D4 e
D2 apresentam, respectivamente, menor risco que D1 e D3. Além disso depreende-se que
o tomador de decisão estará diante de um trade-off entre as estratégias D4 (maior risco e
maior retorno) e D2 (menor risco e menor retorno).
2.4.2 Wald
Considerando o pessimismo implícito no critério de Wald que tenta minimizar a perda
sem se importar tanto com o lucro, a decisão mais apropriada para este caso seria a D2
conforme ilustrado na tabela 2.3 abaixo.
Tabela 2.3: Decisão pelo Critério de Wald
(Fonte: Dados e Tabela: Elaboração própria)
Estratégia Valor Esperado Desvio Padrão Coeficiente de Variação Ordenação pelo Coef. Var.
D1 366.667 873053,39 2,38 3
D2 161.667 171577,65 1,06 1 (menor)
D3 200.000 535412,61 2,68 4 (maior)
D4 383.333 428822,68 1,12 2
E1-Poço
Seco
E2-Reserva
Média
E3-Reserva
Grande Mínimo Decisão MAXMIN
-800.000 600.000 1.300.000 -800.000 abandonada D1
-65.000 200.000 350.000 -65.000 estratégia selecionada D2
-500.000 300.000 800.000 -500.000 abandonada D3
-150.000 400.000 900.000 -150.000 abandonada D4
Máximo -65.000
Estados da Natureza
Resultados Esperados
13
2.4.3 Laplace
É também conhecido como "critério da razão insuficiente" porque em tese não se teria
razão suficiente para admitir o contrário. São calculados os valores esperados de cada
alternativa, o que equivale a tomar o valor médio entre os resultados de cada alternativa.
Dessa forma dos resultados médios, escolhe-se o melhor deles que no caso em questão
corresponderia a decisão D4.
Tabela 2.4: Decisão pelo Critério de Laplace
(Fonte: Dados e Tabela: Elaboração própria)
2.4.4 Hurwicz
No exemplo em questão, assumirá os valores correspondentes ao otimismo (=1),
otimismo médio (=0,5) e pessimismo (=0). Note que quando =0, recai-se no critério
de Maximax, já quando =1, tem-se de volta o critério de Maximin de Wald. Após as
devidas escolhas para o valor de , ordena-se os resultados em ordem crescente para mais
facilmente selecionar a melhor estratégia.
2.4.5 Hurwicz: 1,0
Veja que, para esta situação, de máximo otimismo, a reserva será grande (E3), portanto,
a estratégia D1 levará ao maior ganho de (R$1.300.000,00).
Tabela 2.5: Decisão pelo Critério de Hurwicz para =1
(Fonte: Dados e Tabela: Elaboração própria)
E1 -
Poço
seco
E2 -
Reserva
Média
E3 -
Reserva
Grande
Valor
Esperado
Decisão VME Estratégia
-800.000 600.000 1.300.000 366.667 abandonada D1
-65.000 200.000 350.000 161.667 abandonada D2
-500.000 300.000 800.000 200.000 abandonada D3
-150.000 400.000 900.000 383.333 estratégia selecionada D4
Máximo 383.333
Estados da Natureza
Resultados Esperados
1
Minimo Máximo H Decisão Ponderada
-800.000 1.300.000 1.300.000,00 estratégia selecionada D1
-65.000 350.000 350.000,00 abandonada D2
-500.000 800.000 800.000,00 abandonada D3
-150.000 900.000 900.000,00 abandonada D4
Máximo 1.300.000,00
14
2.4.6 Hurwicz: 0,5
Veja que, para esta situação, de otimismo médio, a reserva será média (E2), portanto, a
estratégia D4 levará ao melhor resultado de (R$375.000,00).
Tabela 2.6: Decisão pelo Critério de Hurwicz para =0,5
(Fonte: Dados e Tabela: Elaboração própria)
2.4.7 Hurwicz: 0,0
Veja que, para esta situação, de mínimo otimismo, não há descoberta de qualquer reserva
petrolífera pois o resultado da perfuração resultou em um poço seco (E1), portanto, a
estratégia D2 levará à menor perda de (R$ 65.000,00). Além disso note que se a
expectativa da situação levar a um nulo, recai-se no critério de Wald que decide com
base nos piores resultados.
Tabela 2.7: Decisão pelo Critério de Hurwicz para =0,0
(Fonte: Dados e Tabela: Elaboração própria)
2.4.8 Savage
Tabela 2.8: Decisão pelo Critério de Savage
(Fonte: Dados e Tabela: Elaboração própria)
50
0,5
Minimo Máximo H Decisão Ponderada
-800.000 1.300.000 250.000,00 abandonada D1
-65.000 350.000 142.500,00 abandonada D2
-500.000 800.000 150.000,00 abandonada D3
-150.000 900.000 375.000,00 estratégia selecionada D4
Máximo 375.000,00
Otimismo
0
Máximo H Decisão Ponderada
1.300.000 (800.000,00) abandonada D1
350.000 (65.000,00) estratégia selecionada D2
800.000 (500.000,00) abandonada D3
900.000 (150.000,00) abandonada D4
Máximo (65.000,00)
Máximo
E1-Poço
Seco
E2-Reserva
Média
E3-Reserva
Grande Decisão MINIMAX
735.000 0 0 735.000 Abandonada D1
0 400.000 950.000 950.000 Abandonada D2
435.000 300.000 500.000 500.000 Abandonada D3
85.000 200.000 400.000 400.000 Estratégia selecionada D4
Mínimo 400.000
Estados da Natureza
Arrependimento
15
2.4.9 Síntese dos Resultados Obtidos
A tabela abaixo resume o conjunto de decisões possíveis segundo os vários critérios não
probabilísticos de tomada de decisão sob risco. Note que D3 nunca é escolhida.
Tabela 2.9: Síntese dos Resultados
(Fonte: Dados e Tabela: Elaboração própria)
Wald Savage Laplace
MAXMIN MINIMAX MAXVME
0,0 0,5 1,0
D1
D2 D2
D4 D4 D4
Hurwicz MAXH
otimismo
16
3 Estatística e Probabilidade
3.1 Preâmbulo
A prospecção de petróleo utiliza uma série de técnicas que mapeiam a estrutura geológica
de uma região visando descobrir se a mesma é propensa a reservas economicamente
viáveis [10]. A massa de dados coletados de um campo contém informações relevantes
para caracterização do reservatório. O tratamento e modelagem destes dados é feito
através de ferramentas de estatística descritiva.
Variáveis como porosidade, permeabilidade, espessura, saturação e outros parâmetros são
repletos de incertezas associadas ao processo de amostragem [11]. Quanto maior a
quantidade de dados, menor a incerteza associada, porém o elevado custo da obtenção de
dados adicionais inviabiliza essa solução para mitigação de incertezas.
A solução é tomar um conjunto de valores representativos de cada parâmetro do
reservatório e obter assim resultados probabilísticos. Através do método de Monte Carlo
é possível obter um grande número de valores randômicos para cada variável de acordo
com sua respectiva distribuição de probabilidade. O comportamento de variáveis
dependentes de múltiplas variáveis aleatórias com distribuições distintas é obtido através
da simulação de Monte Carlo [12].
O resultado da simulação não será o mesmo para cada recálculo, embora tenda a convergir
para valores aproximados e são representados em um histograma associado a uma curva
de densidade probabilidade acumulada. Esta curva será o objeto de estudo para solução
do problema em análise e quantificará, em percentual, a probabilidade de determinado
valor encontrar-se acima, abaixo ou entre um intervalo de confiança escolhido.
O risco associado ao projeto é obtido a partir das distribuições de probabilidade das
entradas e saídas do modelo; obtendo assim uma noção de quão arriscado é um
determinado projeto.
Atribuir corretamente estas distribuições de probabilidades às variáveis de entrada de um
modelo é uma das etapas mais delicadas de uma simulação. A diretriz para executar esta
importante atribuição possui três fontes principais que são: princípios fundamentais,
expertise e histórico de dados [13].
17
Quando se fala em princípios fundamentais refere-se a parâmetros com distribuições
conhecidas em virtude de suas próprias definições físicas e da forma como são calculados.
Já Expertise refere-se a opiniões alicerçadas no vasto conhecimento de geólogos e
engenheiros com décadas de experiência em múltiplos casos distintos. Tais profissionais
experientes dão um direcionamento insubstituível e crucial na conduta de casos difíceis
com protocolos de ação inexistentes.
Muito embora estes dois fatores não devam ter sua importância subestimada, o presente
estudo dará maior foco para o último caso em que se utiliza os próprios dados do campo
para obter informações das distribuições de probabilidade dos parâmetros do modelo.
Através da realização de um ajuste de distribuição dos dados empíricos, é possível obter
a distribuição de probabilidade teórica que mais se aproxima da distribuição real dos
dados de campo, além de seus respectivos parâmetros estatísticos.
Existem diversas maneiras de se verificar a intensidade desta aproximação. Os chamados
testes de aderência são executados segundo diversas técnicas consagradas na literatura
estatística, porém com a vantagem de ser executados por softwares específicos que
proporcionam maior rapidez nos cálculos e consequentemente grandes ganhos de
eficiência.
No que se refere a presença de correlações entre as variáveis que compõe as entradas de
um modelo, constata-se que impactam significativamente no resultado final da simulação
[14]. Não à toa relações de dependência entre as variáveis aleatórias de entrada de um
modelo devem ser sempre verificadas previamente, ao invés de partir-se do errôneo
pressuposto que são independentes entre si.
A partir da experiência acumulada da simulação de reservatórios de diferentes campos e
regiões ao redor do mundo, sabe-se atualmente que certos parâmetros que caracterizam
um reservatório, explicitados mais adiante, tendem a ter sempre uma determinada
distribuição de probabilidade.
Nas seções a seguir, tais distribuições de probabilidade que mais frequentemente
aparecem na indústria petrolífera serão descritas e exemplificadas em quais variáveis de
um reservatório ou da modelagem econômica são mais comumente atribuídas.
18
3.2 Principais distribuições e suas características
3.2.1 Normal
Uma variável aleatória contínua X tem distribuição Normal se sua função densidade de
probabilidade é dada por [15]:
𝑓(𝑋) =1
√2𝜋𝜎exp(
−(𝑥 − 𝜇)
2𝜎2) ; 𝑥𝜖ℛ
Esta função possui uma curva simétrica, com formato similar ao de um sino, ilimitada
nos dois lados e descrita por dois parâmetros (µ e σ, sua média e desvio padrão). A média
µ refere-se ao centro da distribuição e o desvio padrão σ à dispersão da curva em torno
da média.
Figura 3.1: Distribuição normal padrão
(Fonte: Elaboração própria)
Veja que a distribuição normal é simétrica em torno da média e possui nela seu ponto de
máximo. Consequentemente a moda, média e mediana irão coincidir. Os pontos nos quais
a abscissa for igual a (µ+ σ) e (µ-σ) serão pontos de inflexão. E a área total abaixo da
curva será igual a unidade.
Para o caso específico em que µ = 0 e σ = 1, tem-se a chamada distribuição normal padrão
que possuirá assimetria nula e coeficiente de curtose igual a três [16]. Qualquer variável
com distribuição normal pode ser padronizada (ou normalizada) aplicando-se a seguinte
substituição de variáveis:
𝑍 = (𝑋 − 𝜇)
𝜎
19
Neste caso, a função de distribuição acumulada da Normal reduzida é dada pela seguinte
integral dada por [15]:
Φ(𝑦) = P(Z ≤ y) = ∫ Φ(𝑧)𝑑𝑧 =𝑦
−∞
∫1
√2𝜋
𝑦
−∞
𝑒𝑧2/2𝑑𝑧
Como não existe a primitiva em forma de função elementar para este caso, a função de
distribuição acumulada é calculada por métodos numéricos. A curvatura da função de
distribuição acumulada irá variar de acordo com o valor de σ conforme ilustrado abaixo.
Note, porém, que a curva mais à esquerda em azul não é de uma normal padronizada.
Figura 3.2: Distribuição normal padrão acumulada
(Fonte: Portal Action)
A distribuição Normal é de grande importância para a estatística por possuir enorme
aplicabilidade ao descrever inúmeros parâmetros presentes na natureza, especialmente
quando se trata de subtotais, isto é, variáveis formadas pela soma de outras variáveis
aleatórias. Neste caso, a variável subtotal será normalmente distribuída devido ao teorema
central do limite [17].
Desta forma, o volume total de petróleo no mundo teria distribuição normal, assumindo
hipoteticamente a existência de reservatórios ao redor do mundo com aproximadamente
o mesmo tamanho e um volume de petróleo incerto em cada um deles.
Na prática, é comum verificar que a porosidade (Φ) de um reservatório e a taxa (a) de
declínio exponencial da produção de óleo, tendem sempre a apresentar distribuição
normal [13].
20
3.2.2 Log-Normal
Uma variável aleatória contínua Y tem distribuição Log-Normal se sua função densidade
de probabilidade é dada por [18]:
𝑓(𝑌) =1
𝑦σ√2𝜋exp [−
1
2((log(𝑦) − 𝜇)
σ)
2
] ; 𝑦 > 0, σ > 0eµ𝜖[−∞,+∞]
Figura 3.3: Função de distribuição Log-Normal
(Fonte: Elaboração própria)
Veja que função densidade de probabilidade possui uma inclinação positiva com uma
calda que decresce para a direita, tendendo de forma assintótica para zero. Tal assimetria
implica na não sobreposição da moda, média e mediana ao contrário do que ocorre na
curva Normal.
Trata-se de uma distribuição flexível, fortemente relacionada com a distribuição normal
quando (σ) é pequeno em comparação com (µ). De fato, qualquer distribuição Normal
pode ser aproximada por uma Log-Normal desde que a relação (σ/µ) seja suficientemente
baixa, isto é, desde que a assimetria seja pequena [19].
Esta distribuição possui propriedades interessantes por assimilar características de
processos do mundo real, como o fato de ser assimétrica e ter uma faixa positiva e
ilimitada de valores. Além disso, é muito usada para caracterizar tempo de vida de
produtos e materiais. Isto inclui fadiga de metais utilizados, por exemplo, nos risers de
perfuração de poços exploratórios.
21
A função de densidade acumulada pode, então, ser obtida como [18]:
F(Y) = Φ
(
ln 𝑦 − ln [
𝜇²𝜎2 + 𝜇²
]
√ln [1 + (𝜎²𝜇²)]
)
Figura 3.4: Função de distribuição acumulada Log-Normal para diferentes σ
(Fonte: Portal Action)
Uma propriedade importante desta distribuição resulta de uma consequência direta do
teorema central do limite e da propriedade do logaritmo. Como a soma de vários
processos aleatórios segue uma distribuição normal e o logaritmo do produto de números
aleatórios é igual à soma dos logaritmos; tem-se que uma variável composta pela
multiplicação de vários processos aleatórios, terá distribuição Log-Normal [20].
Desta forma, o tamanho original de uma reserva (OIP) que é obtido a partir da
multiplicação de uma série de outras variáveis aleatórias, tais como: área (A), espessura
(h), porosidade (Φ), fator volume formação (Bo) e saturação de água (Sw); terá uma
distribuição Log-Normal.
Na prática, constata-se ainda que a área (A), espessura (h) e permeabilidade (k) de um
reservatório podem por vezes apresentar-se na natureza segundo uma distribuição Log-
Normal; existindo ainda uma correlação positiva entre (k) e (Φ) e uma correlação negativa
entre (Sw) e Φ [13].
22
3.2.3 Triangular
Uma variável aleatória contínua X tem distribuição triangular no intervalo [a,b] se sua
função densidade de probabilidade é dada por [19]:
𝑓(𝑋) =
{
0𝑥 < 𝑎2(𝑥 − 𝑎)
(𝑏 − 𝑎)(𝑐 − 𝑎)𝑎 ≤ 𝑥 ≤ 𝑐
2(𝑏 − 𝑥)
(𝑏 − 𝑎)(𝑏 − 𝑐)𝑐 < 𝑥 ≤ 𝑏
0𝑥 ≥ 𝑏
Onde a, b e c são, respectivamente, valor mínimo, valor máximo e valor mais provável.
A função de densidade acumulada pode, então, ser obtida como:
𝐹(𝑋) =
{
0𝑥 < 𝑎(𝑥 − 𝑎)²
(𝑏 − 𝑎)(𝑐 − 𝑎)𝑎 ≤ 𝑥 ≤ 𝑐
1 −(𝑏 − 𝑥)2
(𝑏 − 𝑎)(𝑏 − 𝑐)𝑐 < 𝑥 ≤ 𝑏
1𝑥 ≥ 𝑏
Os gráficos das funções densidade de probabilidade e densidade acumulada encontram-
se abaixo na figura 3.7.
Figura 3.5: Função densidade de probabilidade e acumulada triangular
(Fonte: Elaboração própria)
Veja que a função densidade de probabilidade será nula nos extremos e que a forma do
triângulo pode ser simétrica ou assimétrica dependendo do tamanho do valor mais
provável em relação aos valores mínimo e máximo. Trata-se de uma distribuição
frequentemente utilizada na descrição da área (A) e espessura (h) de um reservatório,
porém é possível que apareça também descrevendo preço do barril de óleo [13].
23
3.2.4 Uniforme
Uma variável aleatória contínua X tem distribuição uniforme no intervalo [a,b] se sua
função de densidade é dada por [20]:
f(x) =1
𝑏 − 𝑎 , ∀xϵ[a, b]
Onde cada valor ao longo do intervalo terá a mesma probabilidade de ocorrência. A
função de distribuição acumulada apresentará, então, a seguinte formulação:
𝐹(𝑥) = {
0𝑥 < 𝑎𝑥 − 𝑎
𝑏 − 𝑎𝑎 ≤ 𝑥 ≤ 𝑏
1𝑥 > 𝑏
Os gráficos da função densidade de probabilidade e densidade acumulada estão abaixo:
Figura 3.6: Função de distribuição Uniforme
(Fonte: Elaboração própria)
Esta distribuição é frequentemente usada em cenários equiprováveis e em algoritmos de
números aleatórios para gerar amostras de outras distribuições, sendo por isso também
referenciada na literatura como distribuição “sem conhecimento prévio” [21].
Na prática, observa-se que os parâmetros de um reservatório dificilmente encontram-se
distribuídos de forma uniforme e contínua na natureza. De fato, na maioria das vezes
existe um valor modal no qual a probabilidade relativa de resultados decresce conforme
afasta-se do mesmo. Por esta razão, há poucos casos reais na indústria do petróleo onde
a distribuição uniforme realmente se aplica. Um exemplo seria a saturação de água (Sw)
que, porém, pode apresentar-se também segundo outras distribuições, como a gama.
24
3.2.5 Gama
Uma variável aleatória X tem distribuição gama com parâmetros α e β se sua função
densidade de probabilidade é dada por [22]:
𝑓(𝑋) = {
1
𝛤(𝛼)𝛽𝛼𝑥𝛼−1𝑒−𝑥/𝛽𝑠𝑒𝑥 > 0
0𝑠𝑒𝑥 ≤ 0
Sendo a função gama definida pela integral abaixo:
𝛤(𝛼) = ∫ 𝑒−𝑥𝑥𝛼−1𝑑𝑥∞
0
; α ≥ 1
Utilizando integração por partes, é possível demostrar que esta função apresentará a
seguinte propriedade recursiva:
𝛤(𝛼 + 1) = 𝛼𝛤(𝛼)
O parâmetro α tem grande influência sobre a forma da distribuição, enquanto o parâmetro
β tem grande influência sobre o espalhamento (ou dispersão) da mesma. A figura 3.4
mostra o comportamento das curvas de acordo com diferentes valores de β para 0<α<1
(gráfico da esquerda) e para α>1 (gráfico da direita).
Figura 3.7: Distribuição Gama para diferentes valores de α e β
(Fonte: Portal Action)
25
3.2.6 Exponencial
Uma variável aleatória contínua X tem distribuição exponencial com parâmetro λ se sua
função de densidade de probabilidade é dada por [23]:
𝑓(𝑥) = {λ𝑒−λx; 𝑥 > 0
0; 𝑥 ≤ 0
Esta função tem sua curvatura variando de acordo com o parâmetro da densidade
exponencial λ. Desta forma, a função de distribuição acumulada será dada por:
𝐹(𝑥) = {0, 𝑥 ≤ 0
1 − 𝑒−λx, 𝑥 > 0
Os gráficos de ambas funções são mostrados abaixo na figura 3.3 que exibe o
comportamento da curvatura das curvas para diferentes valores de λ.
Figura 3.8: F.d.p. e f.d.a. Exponencial
(Fonte: Portal Action)
Esta distribuição é geralmente utilizada para representar o tempo de espera para a primeira
ocorrência de um processo que é contínuo no tempo e de intensidade constante. Neste
caso, λ corresponde ao tempo médio. Note ainda que a distribuição exponencial constitui
um caso particular da distribuição gama quando seu parâmetro α=1. Isto significa que
[24]:
X~Exp(λ) ⇨ X~Gama(1, λ)
Na prática constata-se que a saturação de água de um reservatório pode apresentar uma
distribuição gama, muito embora seja possível apresentar-se também segundo uma
distribuição uniforme [13].
26
3.3 Ajuste de distribuições aos dados empíricos
O objetivo do ajuste de distribuições é verificar a adequação de uma determinada
distribuição de probabilidade teórica aos dados empiricamente obtidos pela amostragem
que melhor representa as características da população em análise.
Como nem sempre é possível assumir que a população em questão tenha distribuição
normal, recorre-se aos chamados testes não paramétricos. A distribuição de probabilidade
de uma amostra aleatória oriunda de uma população com distribuição desconhecida, será,
portanto, determinada a partir da execução do seguinte teste de hipótese a respeito da
distribuição populacional:
Ho: A população tem uma determinada distribuição de probabilidade D.
Ha: A população não tem a distribuição de probabilidade D.
Existem vários testes de ajustamento (ou aderência) que permitem resolver este tipo de
problema. Alguns envolvem métodos gráficos, outros apenas teóricos. Na prática, porém,
todos requerem auxílio computacional quando se trata de projetos de nível industrial.
O @RISK emprega enorme variedade de estatísticas de ajuste de acordo com o tipo de
dado amostrado [25]. No presente trabalho que tratará de dados amostrais contínuos, será
feita a ordenação e escolha do melhor ajuste, baseado nos principais testes de aderência
descritos a seguir: Chi-quadrado, Kolmogorov-Smirnov e Anderson Darling.
3.3.1 Qui-quadrado
O teste de ajuste qui-quadrado foi desenvolvido inicialmente por Karl Pearson e
posteriormente por Ronald Fisher no início do século XX.
Baseia-se na comparação das frequências empíricas com as frequências teóricas
(esperadas) e é realizado através da estatística definida por [26]:
𝜒2 =∑(𝑂𝑖 − 𝐸𝑖)²
𝐸𝑖
𝑘
𝑖=1
Onde:
χ²= estatística de teste com k – 1 graus de liberdade ; k= número de intervalos; Oi=
frequência observada i; Ei= frequência esperada i.
27
Veja que o valor da estatística de teste é sempre positivo ou nulo. Caso seja nulo, trata-se
de um ajuste perfeito. Note também que se as diferenças entre cada valor observado e o
esperado (Oi - Ei) forem pequenas, χ² será também pequeno. Consequentemente se estas
diferenças forem grandes, o valor de χ², será também grande.
Intuitivamente pode-se perceber que quanto mais o valor observado distar do valor
esperado, menos plausível é a hipótese nula, isto é, torna-se mais razoável concluir que
as frequências observadas não são provenientes da distribuição populacional que se
baseou Ho. De fato, para a hipótese nula ser verdadeira, a diferença entre o valor
observado e o esperado, (Oi - Ei), não pode ser muito grande.
Neste caso, deve-se estabelecer um limite de para que seja possível afirmar que a
distribuição escolhida se adequa ou não à amostra. Tal limite provém de um valor crítico
de qui-quadrado. Deve-se, portanto, calcular o valor observado de qui-quadrado e compará-
lo a um χ² crítico.
A partir desta comparação, é, então, possível afirmar se a distribuição testada realmente se
ajusta aos dados da amostra, com um determinado nível de confiança estabelecido. Da
literatura, sabe-se que a hipótese nula é rejeitada se χ² observado for maior ou igual que
χ² crítico, para um determinado nível de significância α.
Quanto a uma desvantagem da utilização deste método, cita-se a inexistência forma única
para determinação do número e local dos intervalos. Tal flexibilidade permitiria a
possibilidade de chegar a diferentes conclusões dos mesmos dados de acordo como é
arbitrada a especificação dos intervalos.
Uma solução seria usar intervalos equiprováveis. Deste modo, o @RISK ajusta os
tamanhos de intervalos baseado na distribuição ajustada, buscando fazer cada intervalo
conter uma fração igual de probabilidade [27].
3.3.2 Kolmogorov-Smirnov
Compara a distribuição de frequência acumulada 𝐹𝑛 dos (n) valores da amostra com a
distribuição acumulada 𝐹𝑜 quando se assume distribuição de probabilidade da hipótese
nula 𝐻𝑜 verdadeira.
A estatística de ajuste K-S, para dados amostrais contínuos, é definida por [28]:
𝐷𝑛 = 𝑀𝑎𝑥|𝐹�̂�(𝑥) − 𝐹𝑜(𝑥)|
28
Onde 𝐷𝑛 representa a distância vertical máxima entre as imagens da função de
distribuição acumulada da amostra 𝐹�̂�e a função de distribuição acumulada 𝐹𝑜 submetida
a hipótese nula. Assumindo que 𝐹𝑜 seja uma função (contínua) crescente e 𝐹�̂� uma função
em escada tem-se a configuração de ajuste conforme ilustra figura 3.5 abaixo.
Figura 3.9: Ajustamento de uma f.d. hipotética 𝑭𝒐 a uma f.d. empírica 𝑭�̂�
(Fonte: VIALI, L.-Instituto de Matemática e Estatística- UFRGS)
Para a hipótese nula ser verdadeira, a distância vertical máxima entre as imagens das duas
distribuições não deve de ser muito grande. Isto significa que a discrepância deve ser
suficientemente pequena para que não se rejeite 𝐻𝑜 em um dado nível de significância α.
Segundo a literatura, rejeita-se a hipótese nula, para um nível de significância α, se o
valor observado 𝐷𝑛 da estatística de teste for superior ou igual ao ponto crítico 𝐷𝑛,𝛼 sendo
𝐷𝑛,𝛼 tal que [29]:
𝑃(𝐷𝑛 > 𝐷𝑛,𝛼|𝐻𝑜) = 𝛼
Observe que o teste de Kolmogorov-Smirnov não requer a classificação em intervalos, o
que a torna neste aspecto menos arbitrária que a chi-quadrado.
29
3.3.3 Anderson Darling
O teste de Anderson-Darling é um teste unicaudal com estatística de ajuste, para dados
amostrais contínuos, dada por [27]:
𝐴𝑛2 = 𝑛 ∫ [
𝑁𝑥𝑛− �̂�(𝑥)]
2+∞
−∞
√1
�̂�(𝑥)(1 − �̂�(𝑥))𝑓(𝑥)𝑑𝑥
Onde:
𝑓(𝑥)= função densidade hipotética; �̂�(𝑥)= função distribuição cumulativa hipotética;
n=número de pontos dados; 𝑁𝑥=Número de 𝑋𝑖’s menores que x.
Quanto menor a estatística A-D, melhor distribuição se ajusta aos dados (Stephens, 1974).
A hipótese nula será rejeitada se o teste estatístico for superior ao valor de Anderson
crítico que irá depender da distribuição específica que está sendo testada.
Além disso, ressalta-se a alternativa de analisar o valor p para avaliar o ajuste de
distribuição. Sabe-se que o valor p de um teste estatístico de hipótese é dado pela
probabilidade da distribuição, que está sendo utilizada, ser maior ou igual ao valor
absoluto da estatística de teste [AS]. Consequentemente o valor de p é uma probabilidade
que mede a evidência contra a hipótese nula de que os dados seguem a distribuição.
Desta forma, se o p valor do teste de Anderson-Darling for menor do que o nível de
significância α escolhido, os dados não seguem a distribuição especificada na hipótese
nula. Quanto ao chamado teste de “normalidade” de Anderson-Darling, considera-se
normal a distribuição que apresentar p-valor maior que 0,05.
Observe que o teste A-D analisa o comportamento dos ajustes atribuindo maior peso aos
valores das caudas das distribuições, o que é relevante para dados com característica
assintótica ou séries de pequena população amostra. É, consequentemente, mais sensível
que os testes anteriormente mencionados, chi-quadrado e Kolmogorov-Smirnov, pois dá
mais peso aos pontos das caudas da distribuição.
Deve-se, portanto, tomar cuidado ao interpretar os resultados a partir de uma amostra
muito pequena ou muito grande pois corre-se o risco, respectivamente, de: não ter força
suficiente para detectar desvios significativos ou detectar pequenos desvios que não tem
importância prática.
30
3.4 Estudo de Caso: Murtha modificado
Através da análise de testemunhos e de diversos estudos geológicos de uma região,
obtém-se uma base de dados contendo amostras dos seguintes parâmetros de um
reservatório: área (A), espessura (h ou Netpay), porosidade (Φ), saturação de água (𝑆𝑤) e
fator volume formação (𝐵𝑜). Deseja-se estimar o volume de óleo original in place do
reservatório a partir da massa de dados coletados do campo, além de obter a previsão de
produção ao longo do tempo, considerando as incertezas associadas. Parte dos dados
amostrais encontram-se na tabela 3.1. A totalidade dos dados encontra-se no Apêndice.
Tabela 3.1: Parte dos dados amostrais: A, h, Φ, Sw, Bo
(Fonte: Dados e Tabela: Elaboração própria)
A h Φ 𝑆𝑤 𝐵𝑜
1997,7 75,5 35,7% 21% 1,09
35,4 420,2 29,0% 24% 1,12
298,6 257,2 27,7% 21% 1,10
100,3 119,9 24,4% 24% 1,03
424,6 95,7 31,3% 6% 1,05
577,9 80,7 30,5% 19% 1,06
2203,1 166,3 32,3% 20% 1,03
74,9 212,1 26,3% 17% 1,03
832,4 216,7 20,9% 23% 1,11
383,7 164,5 23,1% 39% 1,21
99,4 104,9 22,5% 21% 1,26
117,5 139,9 29,0% 29% 1,06
694,9 519,4 31,6% 23% 1,19
31
3.5 Resultados e Discussões
Para o cálculo do volume de óleo in place será utilizada a seguinte modelagem expressa
por [13]:
𝑂𝐼𝑃 = 7758𝐴ℎ𝛷1 − 𝑆𝑤𝐵𝑜
Veja que a área, espessura, porosidade, saturação de água e fator volume formação serão
as variáveis aleatórias de entrada, enquanto o volume e produção de óleo do reservatório
serão as saídas do modelo.
Antes, porém, de executar a simulação, é necessário obter as distribuições de
probabilidade que melhor se ajustam aos dados empíricos coletados em campo, além de
verificar a existência de correlações entre os inputs.
3.5.1 Ajuste de distribuições
3.5.1.1 Área
Figura 3.10: Ajuste de distribuição Log-Normal para a Área
(Fonte: Elaboração própria)
32
3.5.1.2 Espessura
Figura 3.11: Ajuste de distribuição Log-Normal para Espessura
(Fonte: Elaboração própria)
3.5.1.3 Porosidade
Figura 3.12: Ajuste de distribuição Normal para a Porosidade
(Fonte: Elaboração própria)
33
3.5.1.4 Saturação de água
Figura 3.13: Ajuste de distribuição Normal para Saturação de água
(Fonte: Elaboração própria)
3.5.1.5 Fator volume formação
Figura 3.14: Ajuste de distribuição Log-Normal para Bo
(Fonte: Elaboração própria)
34
3.5.2 Análise de correlação entre os inputs
Devido à natureza do processo de formação geológica de um reservatório, é comum que
os parâmetros que o descrevem, estejam de alguma forma relacionados entre si. Através
de uma análise de correlação e regressão dos dados empíricos [30] [31], é possível
constatar que a porosidade e saturação de água não serão independentes. A figura 3.11
mostra o gráfico de dispersão com os devidos coeficientes de correlação e determinação.
Figura 3.15: Correlação entre porosidade e saturação de água
(Fonte: Elaboração própria)
Esta relação de dependência entre as variáveis de entrada deve ser especificada antes de
rodar o modelo, devido sua influência na curva de OIP que pode ser significativa em
termos de análise de risco e viabilidade econômica de se explorar o reservatório.
R2 0,158 Coef. Determinação
r -40% Coef. Correlação
R² = 0,1582
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%
30,0%
35,0%
40,0%
45,0%
50,0%
0,0% 10,0% 20,0% 30,0% 40,0% 50,0%
Po
rosi
ty
Water Saturation
Título do Gráfico
35
3.5.3 Simulação de Monte Carlo
Atribuindo-se as respectivas distribuições dos parâmetros de entrada e levando em
consideração a correlação entre a porosidade e saturação de água, obter-se-ão os seguintes
resultados para o volume de óleo contido no reservatório.
Figura 3.16: Histograma e Curva Cumulativa Ascendente de OIP
(Fonte: Elaboração própria)
36
O output terá, portanto, uma distribuição log-normal, conforme ajuste mostrado na figura
3.11. Porém, como o logaritmo de uma variável aleatória que apresenta distribuição log-
normal segue uma distribuição normal com os mesmos parâmetros; pode ser mais
conveniente analisar log(OIP), ilustrado na figura 3.xx, ao invés de OIP.
Figura 3.17: Ajuste de distribuição de probabilidade de OIP
(Fonte: Elaboração própria)
Figura 3.18: Distribuição de probabilidade para log(OIP)
(Fonte: Elaboração própria)
37
No que se refere ao resultado da simulação em relação aos inputs, é possível observar na
figura 3.16 todas as entradas com seus respectivos valores mínimo, médio e máximo.
Figura 3.19: Resumo dos resultados dos Inputs
(Fonte: Elaboração própria)
3.5.4 Análise de Sensibilidade
O gráfico em tornado da figura 3.11 faz uma comparação das análises de sensibilidade de
cada um dos parâmetros de entrada em relação a saída do modelo. Veja que OIP é mais
sensível a área e a espessura do reservatório visto que variações destes valores impactam
mais significativamente no volume de óleo do reservatório.
Figura 3.20: Gráfico Tornado comparando análises de sensibilidade
(Fonte: Elaboração própria)
Name Graph Min Mean Max
Area 18,6 757,6 31587,3
Espessura -6,922126 249,9154 1861,753
Porosidade 12,5% 29,4% 46,3%
Saturação de Água 2,9% 22,5% 45,8%
Fator Volume Formação 99% 111% 210%
38
3.5.5 Previsão de Produção
Quanto a produção de óleo ao longo do tempo, é considerado que a depleção natural do
reservatório promove uma vazão de óleo com o decaimento exponencial expresso por:
𝑞 = 𝑞𝑖𝑒−𝑎𝑡
Para este modelo observe que a produção inicial e a taxa de declínio exponencial serão
os valores incertos de entrada, enquanto a vazão de óleo produzida será o output almejado.
Desta forma, obtém-se a curva de declínio exponencial ilustrada na figura 3.16 que
correlaciona a produção em milhões de barris durante um período de dez anos. Observe
as regiões de incerteza acima e abaixo da curva média de produção. A queda na produção
de óleo deve-se a perda de energia decorrente da queda de pressão no reservatório.
Figura 3.21: Previsão de Produção de óleo considerando incertezas associadas
(Fonte: Elaboração própria)
39
4 Árvore de Decisões
4.1 Preâmbulo
Decisões sequenciais complexas são eficazmente modeladas através de diagramas
quantitativos que mostram as relações de diferentes alternativas com seus respectivos
payoffs e probabilidades de ocorrência. A estruturação desse processo na chamada árvore
de decisões é uma excelente ferramenta de análise em projetos de grande porte que
envolvem incertezas e grande variedade de eventos probabilísticos.
Tal contexto caracteriza bem o ambiente de projetos exploratórios, possuindo assim
grande aplicabilidade na modelagem de decisões que envolvam as seguintes [32] etapas:
• Modelar uma situação para elucidar mais acuradamente sua estrutura,
particularmente quando houver múltiplas decisões sequenciais e eventos incertos.
• Calcular o valor esperado de diferentes alternativas de decisão visando escolher
aquela que maximiza seu valor.
• Obter a distribuição de probabilidade para os payoffs da decisão ótima.
• Fazer uma análise de sensibilidade da alternativa de decisão considerada ótima
tendo as probabilidades dos eventos incertos e outros parâmetros.
A estrutura geral da árvore de decisões mostra todas as alternativas possíveis de forma
cronológica da esquerda para direita em uma estrutura ramificada, expandindo-se de
forma proporcional a variedade de decisões e quantidade de eventos probabilísticos.
Projetos de grande porte como os de E&P de óleo e gás tendem a se ramificar
excessivamente, sendo por isso necessário o uso de softwares para otimizar a obtenção
de resultados em uma árvore ótima com a estrutura mais compacta possível.
O presente trabalho irá utilizar o software PrecisionTree que compõe o pacote Decision
Tools da Palisade Corporation. Trata-se de uma ferramenta bastante consagrada na
indústria petrolífera devido sua interface com Excel que permite visualizar em tempo real
o impacto de modificações valorativas de parâmetros inseridos em células de referência.
40
4.2 Estrutura da Árvore
A notação simbólica do PrecisionTree representa nós de decisão através de quadrados
verdes e nós probabilísticos através de círculos vermelhos. Nós de payoffs não tem ramos
para nós sucessores sendo assim chamados de nós terminais e representados por
triângulos azuis.
A figura 4.1 ilustra separadamente tais elementos básicos de uma árvore de decisão para
um caso hipotético.
Figura 4.1: Elementos básicos de uma árvore de decisões
(Fonte: Elaboração própria)
Veja que as alternativas de decisão se referem a quais tipos de unidades de produção
marítimas (FPSO, TLP, Spar) devem ser utilizadas. Os eventos probabilísticos
correspondem ao tamanho da reserva com suas respectivas probabilidades de ocorrência.
O valor monetário esperado é indicado em cada nó e pode ser obtido através de simulação
de Monte Carlo.
A integração de tais elementos básicos numa única estrutura dá origem a árvore de
decisão propriamente dita. Porém os ramos que emanam de cada nó seguem um padrão
conforme o nó seja decisório, probabilístico ou terminal. No primeiro caso o ramo terá na
parte superior sentenças antagônicas de “verdadeiro” ou “falso” conforme o mesmo seja,
respectivamente, caminho ótimo ou não. Na parte inferior do ramo haverá o valor de
retorno da referida decisão. No segundo caso, haverá a especificação nominal do evento
probabilístico em questão, acompanhada nas partes superior e inferior, da probabilidade
de ocorrência e do valor obtido por tal caminho. No terceiro caso correspondente a um
nó terminal, é também indicado a probabilidade e o payoff, porém sem rótulos nominais.
41
4.3 Modelagem Decisória
Entre diferentes decisões ou entre decisões e payoffs, a ordem na qual eventos incertos
aparecem não importa desde que sejam independentes [33]. Porém, se dois eventos
quaisquer A e B são correlacionados, a ordem certamente irá influenciar por se tratar de
probabilidades condicionadas [34].
A figura 4.2 ilustra esse fato mostrando a diferença estrutural da árvore quando se tem
inicialmente apenas a probabilidade de ocorrência do evento A e posteriormente apenas
do evento B. A sequência entre dois nós não precisa necessariamente seguir a ordem de
resolução dos eventos incertos, a não ser que haja nós intermediários entre eles [33].
Figura 4.2: Diferença estrutural da árvore para dois eventos A e B dependentes
(Fonte: Elaboração própria)
Na prática, a ordem na qual a árvore é montada é determinada mais pela simplicidade e
facilidade de obtenção das probabilidades condicionadas de interesse. Se essa ordem não
é a mesma da sequência temporal dos eventos e for conveniente adequar-se a cronologia
real de acontecimentos de um projeto, basta inverter a ordem da estrutura usando o
teorema de Bayes [35].
42
É possível ainda reduzir o tamanho aparente de uma árvore de decisões executando uma
análise de sensibilidade que exclua decisões de impacto mínimo e combinações pouco
factíveis.
A figura 4.3 ilustra uma situação na qual o foco principal de um projeto são as múltiplas
decisões iniciais e suas possíveis combinações entre si. Veja que a decisão um possui três
alternativas, a decisão dois possui duas alternativas e a decisão três tem três alternativas.
Isso resulta em dezoito possíveis combinações de decisões. No entanto, é frequente que
este espaço amostral de decisões inclua combinações incoerentes ou pouco viáveis. Neste
caso, foca-se apenas naquelas executáveis que podem dar origem a ações direcionadas,
chamadas estratégias de ação. Desta forma, a estrutura da árvore é sensivelmente reduzida
pois todas outras combinações são ignoradas.
Figura 4.3: Múltiplas decisões iniciais: identificação de estratégias
(Fonte: BRATVOLD, R.B., BEGG, S.: Making Good Decisions)
43
A figura 4.4 representa uma situação na qual há uma única decisão e múltiplas incertezas.
Como cada alternativa de decisão possui no total seis nós terminais, note que o acréscimo
de novas incertezas faria este número crescer rapidamente. Deve-se, então, buscar
eliminar as combinações que não fazem sentido, de forma análoga ao caso anterior, porém
selecionando agora um conjunto seleto de eventos probabilísticos que constituirão os
chamados cenários.
Figura 4.4: Decisão única com múltiplas incertezas: identificação de cenários
(Fonte: BRATVOLD, R.B., BEGG, S.: Making Good Decisions)
Processos decisórios de amplo alcance, tais como um plano de desenvolvimento de
projetos exploratórios, empregam ambas técnicas simultaneamente para reduzir ao
máximo o tamanho do problema. Na prática a análise integrada de estratégia e cenários é
frequentemente executada considerando primeiramente os cenários e posteriormente o
desenvolvimento de estratégias para cada um deles [3].
44
4.4 Estudo de caso: Teste e Perfuração
Uma empresa precisa decidir se deve ou não realizar um teste geológico antes de decidir
perfurar um poço exploratório em uma determinada locação. O teste geológico é capaz
de estimar o tamanho da reserva e assim prever a escala do volume de óleo que pode ser
produzido. Os resultados de previsão do teste e cenários de perfuração de um poço são:
poço seco, baixa produção e alta produção. As incertezas associadas a formação geológica
da região permitem apenas estimar o custo do teste e o custo de perfuração em,
respectivamente, $60.000,00 e $800.000,00. Sabendo das informações indicadas na
tabela 4.1 e 4.2, deseja-se obter a melhor decisão e tolerância ao risco do gestor; além do
nível percentual de participação que a empresa deve ter neste empreendimento.
Tabela 4.1: Custo, lucros e probabilidades do local
(Fonte: Dados e Tabela: Elaboração própria)
Custo de Perfuração: $800.000,00
Cenários Lucro Probabilidade
Poço Seco (PS) $0,00 0,55
Baixa Produção (BP) $1.400.000,00 0,35
Alta Produção (AP) $3.600.000,00 0,10
Tabela 4.2: Probabilidades do teste dada a ocorrência de cenários
(Fonte: Dados e Tabela: Elaboração própria)
Teste
Cenários
Prevê Poço Seco
(PPS)
Prevê Baixa Prod.
(PBP)
Prevê Alta Prod.
(PAP)
P (Teste|Cenários)
Poço Seco (PS) 0,5 0,4 0,1
Baixa Prod. (BP) 0,3 0,5 0,2
Alta Prod. (AP) 0,1 0,4 0,5
45
4.5 Resultados e discussões
4.5.1 Árvore estrutural do problema
A essência do problema é avaliar o trade-off entre explorar um local com menor custo e
maior grau de risco, em detrimento de explorá-lo com maior custo, porém com menor
risco associado.
A partir das informações e dados fornecidos é possível esboçar inicialmente uma árvore
de probabilidade que contém apenas os nós e ramos probabilísticos.
Figura 4.5: Árvore de probabilidade inicial
(Fonte: Elaboração própria)
Note que para modelagem de decisões do problema é conveniente que se inverta a
estrutura de ramos da árvore para adequá-la a sequência cronológica do projeto; obtendo
assim as probabilidades dos cenários exploratórios (poço seco, baixa produção, alta
produção) dado o resultado de previsão do teste geológico.
46
O cálculo das probabilidades condicionais da nova árvore é feito aplicando-se o teorema
de Bayes que afirma para dois eventos A e B não independentes, a seguinte [18] relação:
𝑃(𝐴|𝐵) = 𝑃(𝐵|𝐴). 𝑃(𝐴)
𝑃(𝐵) ; 𝑃(𝐵) ≠ 0
Felizmente através da ferramenta “Revisão Bayesiana” do PrecisionTree [33], todos
esses cálculos são rapidamente efetuados e obtém-se a estrutura a estrutura da nova árvore
com suas respectivas probabilidades conforme mostrado na figura 4.6 abaixo.
Figura 4.6: Árvore de probabilidade invertida
(Fonte: Elaboração própria)
A modelagem decisória completa do problema levará em conta todos dados financeiros e
retornará também todos payoffs de cada ramo e nó; além da alternativa de decisão ótima
a ser escolhida; como pode-se ver na figura 4.7.
Conforme será visto a seguir, é possível obter ainda um relatório completo com diversos
parâmetros, gráficos e curvas que irão compor o perfil de risco e que será fundamental
para análise decisória.
47
Figura 4.7: Árvore de decisão completa do problema
(Fonte: Elaboração própria)
70,5
1%
0,0
0%
$0
($860.0
00)
FA
LS
OPetr
óle
o e
ncontr
ado
($800.0
00)
($390.7
69)
26,9
2%
0,0
0%
$1.4
00.0
00
$540.0
00
2,5
6%
0,0
0%
$3.6
00.0
00
$2.7
40.0
00
39,0
0%
Decis
ão d
e p
erfurar
$0
($60.0
00)
VER
DA
DEIR
O39,0
0%
$0
($60.0
00)
VER
DA
DEIR
OR
esultados d
o teste
($60.0
00)
$119.0
00
50,5
7%
22,0
0%
$0
($860.0
00)
VER
DA
DEIR
OPetr
óle
o e
ncontr
ado
($800.0
00)
$34.2
53
40,2
3%
17,5
0%
$1.4
00.0
00
$540.0
00
9,2
0%
4,0
0%
$3.6
00.0
00
$2.7
40.0
00
43,5
0%
Decis
ão d
e p
erfurar
$0
$34.2
53
FA
LS
O0,0
0%
$0
($60.0
00)
31,4
3%
5,5
0%
$0
($860.0
00)
VER
DA
DEIR
OPetr
óle
o e
ncontr
ado
($800.0
00)
$728.5
71
40,0
0%
7,0
0%
$1.4
00.0
00
$540.0
00
28,5
7%
5,0
0%
$3.6
00.0
00
$2.7
40.0
00
17,5
0%
Decis
ão d
e p
erfurar
$0
$728.5
71
FA
LS
O0,0
0%
$0
($60.0
00)
Decis
ão d
e r
ealizar o
teste
$119.0
00
55,0
0%
0,0
0%
$0
($800.0
00)
VER
DA
DEIR
OPetr
óle
o e
ncontr
ado
($800.0
00)
$50.0
00
35,0
0%
0,0
0%
$1.4
00.0
00
$600.0
00
10,0
0%
0,0
0%
$3.6
00.0
00
$2.8
00.0
00
FA
LS
OD
ecis
ão d
e p
erfurar
$0
$50.0
00
FA
LS
O0,0
0%
$0
$0
Oil W
ildcattin
g
Testa
r
Teste
prevê P
oço S
eco
Perfurar
Poço s
eco
Baix
a P
rodução
Alta P
rodução
Não perfurar
Teste
prevê B
aix
a P
rodução
Perfurar
Poço s
eco
Baix
a P
rodução
Alta P
rodução
Não perfurar
Teste
prevê A
lta P
rodução
Perfurar
Poço s
eco
Baix
a P
rodução
Alta P
rodução
Não perfurar
Não te
sta
r
Perfurar
Poço s
eco
Baix
a P
rodução
Alta P
rodução
Não perfurar
48
4.5.2 Árvore ótima
O método para calcular o caminho ótimo em uma árvore de decisão é chamado de “folding
back” [33]. Através do comando “Sugestão de política” do menu “Análise de decisão”, o
software PrecisionTree, exibe tão somente a estrutura formada pela melhor alternativa de
decisão, seguida dos nós probabilísticos que lhe são posteriores. Os demais ramos e nós
não selecionados como melhor caminho não são exibidos. A figura 4.8 mostra a estrutura
da árvore de decisão ótima do problema em questão e a figura 4.9 exibe as decisões ótimas
por nó, além do benefício associado às melhores escolhas para cada decisão.
Figura 4.8: Árvore de decisão do problema
(Fonte: Elaboração própria)
Figura 4.9: Especificações de cada decisão
(Fonte: Elaboração própria)
Decisão Escolha ótima Probabilidade de chegada
Benefício da escolha correta
(Melhor - Pior)
Benefício da escolha correta
(Melhor - Segunda melhor)
'Decisão de realizar o teste' (C41) Testar 100,00% $69.000 $69.000
'Decisão de perfurar' (E11) Não perfurar 39,00% $330.769 $330.769
'Decisão de perfurar' (E25) Perfurar 43,50% $94.253 $94.253
'Decisão de perfurar' (E37) Perfurar 17,50% $788.571 $788.571
49
4.5.3 Resumo Estatístico
A tabela 4.3 exibe o relatório gerado com os principais parâmetros estatísticos.
Observando os valores de desvio padrão, percebe-se uma dispersão de valores que excede
a soma do custo de um poço com o custo do teste geológico. Tais valores são um primeiro
indicativo a ser contrabalançado com a tolerância ao risco do gestor para viabilidade deste
empreendimento.
Tabela 4.3: Parâmetros estatísticos
(Fonte: Dados e Tabela: Elaboração própria)
Estatísticas Caminho ótimo
Média $119.000,00
Mínimo -$860.000,00
Máximo $2.740.000,00
Modo -$60.000,00
Desvio padrão $968.380,00
Distorção 1,5180
Curtose 5,1263
4.5.4 Gráfico de probabilidade
Este conjunto de resultados é usado na criação de uma função de distribuição chamada
perfil de risco. A figura 4.8 exibe sua representação gráfica onde é possível observar todos
retornos financeiros com suas respectivas probabilidades de ocorrência especificados na
tabela 4.4. Veja que cada linha do gráfico mostra a probabilidade de diversos payoffs,
para o caso ótimo de realização do teste antes da decisão de perfuração.
50
Figura 4.10: Gráfico de Probabilidade
(Fonte: Elaboração própria)
Note a probabilidade relativamente elevada de 27,5% de se obter um prejuízo financeiro
bastante significativo caso decida-se efetuar o teste geológico e a perfuração,
encontrando, porém, o poço seco. Isto certamente deve ser levado em consideração pelo
tomador de decisão, assim como a probabilidade expressiva de 60% de se ter que arcar
com o custo do teste geológico e posteriormente constatar que não vale a pena perfurar o
poço devido ao baixo retorno do mesmo.
Tabela 4.4: Dados da figura 4.8
(Fonte: Dados e Tabela: Elaboração própria)
Caminho Ótimo
Valor Probabilidade
-$860.000 27,5%
-$60.000 39%
$540.000 24,5%
$2.740.000,00 9%
000%
005%
010%
015%
020%
025%
030%
035%
040%
($1.
000.
000)
($50
0.00
0) $0
$500
.000
$1.0
00.0
00
$1.5
00.0
00
$2.0
00.0
00
$2.5
00.0
00
$3.0
00.0
00
Prob
abili
dade
Probabilidades para Árvore de decisão 'Teste e Perfuração'Caminho ótimo de toda a árvore de decisão
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
51
4.5.5 Gráfico Cumulativo
É possível gerar ainda um gráfico com perfil de risco cumulativo. A figura 4.9 ilustra uma
distribuição de densidade cumulativa para a alternativa ótima de decisão. Note que o
formato em função degrau permite visualizar qual seria a probabilidade de um payoff ser
menor ou igual a um determinado valor. Desta forma, consegue-se avaliar a partir de
quando se começa a obter um valor de retorno positivo.
No caso em questão, é possível observar que pode existir uma probabilidade de até 66,5%
de haver prejuízo, a partir de quando o fluxo de caixa passará, então, a ser positivo. Tal
probabilidade elevada de perda é mais um indício da necessidade de um perfil arrojado
para empreendimentos exploratórios de óleo e gás.
Figura 4.11: Gráfico Cumulativo
(Fonte: Elaboração própria)
000%
020%
040%
060%
080%
100%
($1
.00
0.0
00
)
($5
00
.00
0)
$0
$5
00
.00
0
$1
.00
0.0
00
$1
.50
0.0
00
$2
.00
0.0
00
$2
.50
0.0
00
$3
.00
0.0
00
Pro
ba
bil
ida
de
cu
mu
lati
va
Probabilidades cumulativas Árvore de decisão 'Teste e Perfuração'Caminho ótimo de toda a árvore de decisão
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
52
4.5.6 Análise de Sensibilidade
O propósito de uma análise de sensibilidade é identificar quais entradas do modelo têm
mais impacto sobre os seus resultados. Isto é feito através da alteração dos valores de
entrada dentro de um intervalo definido por valores extremos mínimo e máximo; com
registro dos respectivos efeitos gerados na variação dos valores de saída.
Quando uma variável de entrada é alterada a cada vez, tem-se uma análise de
sensibilidade unidirecional. Se duas variáveis de entrada variam simultaneamente, trata-
se de uma análise de sensibilidade bidirecional. Trata-se, portanto, de uma ferramenta
poderosa para se obter quais inputs e valores limites acarretam mudanças na escolha ótima
de um nó decisório.
4.5.7 Gráfico de sensibilidade unidirecional
O gráfico de sensibilidade constitui um gráfico em linha que exibe a mudança no valor
de saída na medida que se varia o valor de entrada. É possível observar que a decisão
inicial de realizar o teste é bastante sensível ao custo de perfuração de um poço
exploratório conforme ilustrado no gráfico abaixo da figura 4.12.
Figura 4.12: Gráfico de Sensibilidade Unidirecional
(Fonte: Elaboração própria)
$0
$100.000
$200.000
$300.000
$400.000
$500.000
$600.000
-110
000
0
-100
000
0
-900
000
-800
000
-700
000
-600
000
-500
000
-400
000
-300
000
-200
000
Va
lor
esp
era
do
Custo de Perfuração (C6)
Sensibilidade de Árvore de decisão 'Teste e Perfuração'Valor esperado do nó 'Decisão de realizar o teste' (C41)
Com variação de Custo de Perfuração (C6)
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
53
4.5.8 Região de Estratégia unidirecional
Através do gráfico da região de estratégia para este caso, obtém-se informações adicionais
comparativas a respeito das condições de realização do teste geológico. Observe que só
valerá a pena testar enquanto o custo de perfuração for significativo e com preço até
$650.000. Para valores menores do que este, o custo de um poço passa a ser considerado
baixo demais a ponto de não mais justificar a realização prévia de um teste geológico.
Figura 4.13: Região de Estratégia Unidirecional
(Fonte: Elaboração própria)
($100.000)
$0
$100.000
$200.000
$300.000
$400.000
$500.000
$600.000
-11
00
00
0
-10
00
00
0
-90
00
00
-80
00
00
-70
00
00
-60
00
00
-50
00
00
-40
00
00
-30
00
00
-20
00
00
Va
lor e
sp
era
do
Custo de Perfuração (C6)
Região de estratégia de Árvore de decisão 'Teste e Perfuração'Valor esperado do nó 'Decisão de realizar o teste' (C41)
Com variação de Custo de Perfuração (C6)
Testar
Não testar
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
54
4.5.9 Gráfico de tornado
Utiliza-se ainda o chamado gráfico de tornado para comparar diferentes análises de
sensibilidade. Através dele é possível analisar visualmente o impacto de diferentes
entradas de forma bastante simples e imediata. O número de barras corresponde ao
número de entradas que se está variando ao longo do eixo horizontal.
A barra mais longa representa, portanto, a variável de entrada que tem maior impacto
sobre o valor esperado de saída. No caso em questão, é nítido a maior sensibilidade do
custo de perfuração em relação ao custo do teste geológico. Variações no custo de um
poço causa, portanto, maior impacto no output do que o custo do teste.
Figura 4.14: Gráfico de Tornado
(Fonte: Elaboração própria)
$0
$1
00
.00
0
$2
00
.00
0
$3
00
.00
0
$4
00
.00
0
$5
00
.00
0
$6
00
.00
0
Custo de Perfuração (C6)
Custo do Teste (C7)
Valor esperado
Gráfico de tornado de Árvore de decisão 'Teste e Perfuração'Valor esperado do modelo inteiro
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
55
4.5.10 Gráfico de Radar
Caso queira-se saber a linearidade entre a mudança percentual do input e o valor esperado,
pode-se recorrer ao chamado gráfico de radar. Nele é possível observar a mudança
relativa no valor esperado de saída por variação unitária das entradas através da inclinação
das curvas.
Desta forma, note que a partir da inclinação das curvas da figura 4.13 pode-se inferir que
o custo de perfuração causa além de maior amplitude de variação no valor esperado, maior
variação unitária também; ratificando assim sua maior influência no valor monetário
esperado em relação ao custo do teste.
Figura 4.15: Gráfico de Radar
(Fonte: Elaboração própria)
$0
$100.000
$200.000
$300.000
$400.000
$500.000
$600.000
-00
.80
%
-00
.60
%
-00
.40
%
-00
.20
%
00
.%
00
.20
%
00
.40
%
00
.60
%
00
.80
%
Va
lor
es
pe
rad
o
Mudança no input (%)
Gráfico de radar de Árvore de decisão 'Teste e Perfuração'Valor esperado do modelo inteiro
Custo de Perfuração (C6)
Custo do Teste (C7)
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
56
4.5.11 Gráfico de sensibilidade bidirecional
Variando-se estas duas entradas simultaneamente nos eixos X e Y e registrando o
resultado destas mudanças no eixo Z correspondente ao valor esperado; obtém-se um
gráfico tridimensional que representa uma análise de sensibilidade bidirecional. O
conjunto de valores que o par ordenado, formado pelo custo de perfuração e custo do
teste, pode assumir, dará origem a uma superfície conforme mostrado na figura 4.14.
Figura 4.16: Gráfico de Sensibilidade Bidirecional
(Fonte: Elaboração própria)
-1000000
-860000
-720000
-580000
-440000
-300000
$0
$100.000
$200.000
$300.000
$400.000
$500.000
$600.000
-10
00
00
-92
00
0
-84
00
0
-76
00
0
-68
00
0
-60
00
0
-52
00
0
-44
00
0
-36
00
0
-28
00
0
-20
00
0
Custo de Perfuração
(C6)
Va
lor
esp
era
do
Custo do Teste (C7)
Sensibilidade de Árvore de decisão 'Teste e Perfuração'Valor esperado do nó 'Decisão de realizar o teste' (C41)
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
57
4.5.12 Região de Estratégia Bidirecional
Sempre que o nó de decisão é selecionado como saída de uma análise de sensibilidade
bidirecional, é possível gerar o gráfico da região de estratégia bidirecional. Nele é possível
observar o conjunto de pares de valores do custo de perfuração e custo do teste que
obedecem a alternativa ótima de decisão para o projeto. Ter este conjunto de pares
ordenados composto de valores dos inputs que obedecem uma determinada decisão é
extremamente útil para saber até quando flexibilizar um custo em detrimento do outro.
Figura 4.17: Região de Estratégia Bidirecional
(Fonte: Elaboração própria)
-1000000
-900000
-800000
-700000
-600000
-500000
-400000
-300000
-10
00
00
-90
00
0
-80
00
0
-70
00
0
-60
00
0
-50
00
0
-40
00
0
-30
00
0
-20
00
0
Cu
sto
de
Pe
rfu
raçã
o (
C6
)
Custo do Teste (C7)
Região de estratégia do nó 'Decisão de realizar o teste'
Testar
Não testar
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
PrecisionTree Versão EstudanteApenas para uso acadêmico
58
4.5.13 Perfil de Risco
A avaliação da tolerância ao risco de um projeto requer análise de como varia o
equivalente de certeza em função de certos parâmetros estratégicos. O valor monetário
que um indivíduo aceita receber para não entrar em um empreendimento deve ser
quantificado especialmente em função dos custos, lucros e percentual de participação no
empreendimento; através do uso da função utilidade.
Considerando uma função utilidade exponencial, 𝑈(𝑥) = 𝑒𝑥, que apresenta uma
tolerância (ou aversão) ao risco constante para pequenos ou grandes montantes, pode-se
calcular o equivalente certo por [4]:
𝐸𝑞𝑐 = (−1|𝑐)𝑙𝑛(𝑝1. 𝑒−𝑐.𝑥.𝑉𝑃𝐿1 + 𝑝2. 𝑒
−𝑐.𝑥.𝑉𝑃𝐿2)
Onde:
(c) é o coeficiente de aversão ao risco;
R= (1/c) é a tolerância ao risco; 𝑝1e 𝑝2 são as probabilidades dos eventos 1 e 2;
𝑉𝑃𝐿1 e 𝑉𝑃𝐿2 são os resultados desses eventos;
(x) é o nível de participação (share) no projeto.
A diferença entre o retorno financeiro de um projeto com risco e o equivalente certo é
justamente a bonificação por se arriscar. Perceba, portanto, que se a tolerância ao risco
for infinita, o equivalente certo corresponderá ao valor monetário esperado.
A figura 4.16 ilustra um gráfico de como varia o equivalente de certeza em função do
custo de perfuração. Observe que o equivalente de certeza só aumentará
significativamente a partir do momento que o custo de perfuração cair praticamente à
metade do seu valor inicialmente estimado.
59
Figura 4.18: Equivalente de Certeza em função do custo de perfuração
(Fonte: Elaboração própria)
No que tange a quantificação de um risco mínimo a ser aceito para que o projeto possa
prosseguir, observa-se no gráfico da figura 4.17 o crescimento do equivalente de certeza
apenas para uma tolerância ao risco maior que $1.840.000,00.
Figura 4.19: Equivalente de Certeza em função da Tolerância ao Risco
(Fonte: Elaboração própria)
($10.000)
$0
$10.000
$20.000
$30.000
$40.000
$50.000
$60.000
$70.000
$80.000
$90.000
$100.000
$-1
.400
.000
,00
$-1
.200
.000
,00
$-1
.000
.000
,00
$-8
00.0
00,0
0
$-6
00.0
00,0
0
$-4
00.0
00,0
0
$-2
00.0
00,0
0
Cert
aint
y Eq
.
Custo_Perfuração (C6)
Sensitivity of Decision Tree 'Teste e Perfuração'Certainty Equivalent of Node 'Decisão de realizar o teste' (C41)
With Variation of Custo_Perfuração (C6)
($5.000)
$0
$5.000
$10.000
$15.000
$20.000
$25.000
$-
$50
0.00
0,00
$1.
000.
000,
00
$1.
500.
000,
00
$2.
000.
000,
00
$2.
500.
000,
00
$3.
000.
000,
00
$3.
500.
000,
00
Cert
aint
y Eq
.
Tolerância_Risco (C8)
Sensitivity of Decision Tree 'Teste e Perfuração'Certainty Equivalent of Node 'Decisão de realizar o teste' (C41)
With Variation of Tolerância_Risco (C8)
60
Já a partir de um lucro esperado de três milhões de dólares para um poço altamente
produtivo, isto é, seiscentos mil a menos do que o lucro inicialmente previsto, começa-se
a obter bons aumentos no valor de retorno para a decisão de realizar o teste.
Figura 4.20: Payoff da decisão de testar em função do lucro de um poço AP
(Fonte: Elaboração própria)
De fato, a maximização do equivalente de certeza e do valor monetário esperado é mais
viável através do aumento do lucro de um poço de alta produção e da tolerância ao risco
do que através da redução significativa dos custos de perfuração, pois este último depende
fortemente dos limites tecnológicos vigentes.
Note que ao variar o lucro de um poço altamente produtivo, espera-se intuitivamente
haver um valor crítico a partir do qual a decisão de testar dominará sempre. O gráfico da
figura 4.19 mostra, no entanto, que um contínuo aumento do lucro fará com que a decisão
de não testar domine a partir de um lucro de aproximadamente cinco milhões de dólares.
Tal resultado se deve a consideração implícita do aumento da tolerância ao risco do gestor
ao decidir explorar um poço de alta produção, que possui menor probabilidade de
ocorrência, com base em um lucro muito acima da sua expectativa inicialmente estimada.
($100.000)
$0
$100.000
$200.000
$300.000
$400.000
$500.000
$600.000
$700.000
$800.000
$900.000
$1.000.000
$-
$1.
000.
000,
00
$2.
000.
000,
00
$3.
000.
000,
00
$4.
000.
000,
00
$5.
000.
000,
00
$6.
000.
000,
00
$7.
000.
000,
00
$8.
000.
000,
00
Expe
cted
Val
ue
Lucro (C4)
Sensitivity of Decision Tree 'Teste e Perfuração'Expected Value of Node 'Decisão de realizar o teste' (C41)
With Variation of Lucro (C4)
61
Figura 4.21: Região de Estratégia do teste geológico
(Fonte: Elaboração própria)
De fato, conforme a tolerância ao risco e o lucro aumentam conjuntamente, chega-se um
momento em que a realização do teste deixe de ser atrativa e opta-se por perfurar logo o
poço sem perder tempo e recursos financeiros com a realização do teste geológico.
Na prática, no entanto, é comum a formação de consórcios formado por diferentes
empresas com objetivo de diluir os riscos e custos envolvidos no arrendamento de blocos.
Desta forma, a tolerância ao risco e o equivalente de certeza podem variar também de
acordo com o percentual de participação da empresa (share) no projeto e com o lucro
obtido nos poços de alta produção.
O gráfico da figura 4.20 mostra o comportamento do equivalente de certeza conforme
variação do percentual de participação no empreendimento. A forma da curva é
fortemente influenciada pelo coeficiente de aversão ao risco (1/c). Observe que uma
participação muito elevada não gera valores atrativos no equivalente de certeza,
justificando assim a prática de formação de consórcios.
($100.000)
$0
$100.000
$200.000
$300.000
$400.000
$500.000
$600.000
$700.000
$800.000
$900.000
$1.000.000
$ -
$ 1
.000
.000
$ 2
.000
.000
$ 3
.000
.000
$ 4
.000
.000
$ 5
.000
.000
$ 6
.000
.000
$ 7
.000
.000
$ 8
.000
.000
Exp
ect
ed
Val
ue
Lucro (C4)
Strategy Region of Decision Tree 'Teste e Perfuração'Expected Value of Node 'Decisão de realizar o teste' (C41)
With Variation of Lucro (C4)
Testar
Não testar
62
A função utilidade convenientemente modelada para se encontrar o percentual de
participação ótima de um projeto é dada por [4]:
𝐸𝑞𝑐 = [−𝑅. 𝑙𝑛 (𝑝1. 𝑒(−𝑥1.
𝑉𝑃𝐿1𝑅
) +⋯+ 𝑝𝑛. 𝑒(−𝑥𝑛.
𝑉𝑃𝐿𝑛𝑅
))]
Onde:
𝑝1, ...,𝑝𝑛= probabilidade de ocorrência do evento 1...n;
𝑉𝑃𝐿1,𝑉𝑃𝐿𝑛 = Valor presente líquido do evento 1...n;
R = tolerância ao Risco;
c= coeficiente de aversão ao risco
𝑥1,...,𝑥𝑛=nível ótimo de participação do projeto
Note que os valores 𝑥𝑖 de participação ótima serão justamente a abscissa correspondente
aos picos da curva que maximizam o equivalente de certeza.
Figura 4.22: Equivalente de Certeza em função do percentual de participação
(Fonte: Elaboração própria)
($2.000)
$0
$2.000
$4.000
$6.000
$8.000
$10.000
$12.000
$14.000
$16.000
-20% 0% 20
%
40%
60%
80%
100%
120%
Ce
rta
inty
Eq
.
Share (C9)
Sensitivity of Decision Tree 'Teste e Perfuração'Certainty Equivalent of Node 'Decisão de realizar o teste' (C41)
With Variation of Share (C9)
63
As operadoras irão buscar, portanto, ter um percentual de participação mais próximo
possível destes pontos de inflexão. A tabela 4.5 esquematiza estes resultados de acordo a
tolerância ao risco.
Tabela 4.5: Dados do gráfico
(Fonte: Dados e Tabela: Elaboração própria)
Tolerância ao Risco Optimum Share Equivalente de Certeza
$800.000 20% $14.419,00
$1.200.000 30% $15.114,00
$1.600.000 40% $15.329,00
$1.900.000 45% $15.341,00
Naturalmente o tamanho da empresa no consórcio é proporcional a sua capacidade para
arcar com a relação da participação nos investimentos em função dos lucros obtidos. A
tabela 4.6 resume estes resultados em que a razão da participação da empresa em relação
ao lucro será maior conforme a tolerância ao risco.
Tabela 4.6: Dados do gráfico
(Fonte: Dados e Tabela: Elaboração própria)
Participação nos Investimentos/Lucros Tamanho da Empresa
20,0% Empresa Pequena
32,5% Empresa Média
47,5% Empresa Grande
Caso queira-se ter uma visão comparativa entre as alternativas de decisão tendo como
base a participação ótima no projeto, pode-se recorrer ao gráfico da região de estratégia
das figuras 4.21 e 4.22.
64
Figura 4.23: Região de estratégia da decisão do teste
(Fonte: Elaboração própria)
Observe a ampla faixa de valores na qual a decisão de testar domina sobre a de não testar
corroborando assim a decisão ótima de realização do teste antes da perfuração visto que
maximiza o equivalente de certeza e o valor monetário esperado.
Figura 4.24: Região de estratégia da decisão do teste
(Fonte: Elaboração própria)
($10.000)
($5.000)
$0
$5.000
$10.000
$15.000
$20.000
-20% 0% 20
%
40%
60%
80%
100%
120%
Cert
aint
y Eq
.
Share (C9)
Strategy Region of Decision Tree 'Teste e Perfuração'Certainty Equivalent of Node 'Decisão de realizar o teste' (C41)
With Variation of Share (C9)
Testar
Não testar
$-
$1.000.000,00
$2.000.000,00
$3.000.000,00
$4.000.000,00
$5.000.000,00
$6.000.000,00
$7.000.000,00
$8.000.000,00
0% 20%
40%
60%
80%
100%
Lucro
(C4)
Share (C9)
Strategy Region for Node 'Decisão de realizar o teste'
Testar
Não testar
65
Considerando a variação simultânea de ambas entradas, percentual de participação no
empreendimento e lucro de um poço altamente produtivo; é possível obter ainda as
respectivas variações do equivalente de certeza através do gráfico de sensibilidade
bidirecional ilustrado abaixo na figura 4.25.
Figura 4.25: Equivalente Certo em função do share e lucro
(Fonte: Elaboração própria)
$500.000,00
$1.557.894,74
$2.615.789,47
$3.673.684,21 $4.731.578,95
$5.789.473,68 $6.847.368,42
$0
$20.000
$40.000
$60.000
$80.000
$100.000
$120.000
0%
10
%
20
%
30
%
40
%
50
%
60
%
70
%
80
%
90
%
10
0%
Lucro (C4)
Ce
rta
inty
Eq
.
Share (C9)
Sensitivity of Decision Tree 'Teste e Perfuração'Certainty Equivalent of Node 'Decisão de realizar o teste'
(C41)
66
5 Estudo de Caso: Oil Wildcatting
Uma empresa está considerando duas locações distintas para perfuração de poços.
Estudos geológicos afirmam que a segunda locação dará origem apenas a poços secos ou
de baixa produção, ao passo que a primeira pode originar além destes; poços de alta
produção. Sabe-se que rochas reservatório com estrutura geológica de domos salinos tem
probabilidade de existência igual a 60% no local 1 e 0% no local 2. Considerando os
dados descritos nas tabelas 5.1, deseja-se saber qual a melhor decisão a ser tomada.
Tabela 5.1: Custos, payoffs e probabilidades das locações
(Fonte: Dados e Tabela: Elaboração própria)
Local 1: Custo de perfuração = $100.000,00 = 100K
Resultado Payoff Probabilidade
Poço Seco (PS) -$100.000,00 = -100K 0,6
Baixa Produção $150.000,00 = 150K 0,25
Alta Produção (AP) $500.000,00 = 500K 0,15
Local 2: Custo de perfuração = $175.000,00 = 175K
Resultado Payoff Probabilidade
Poço Seco (PS) -$175.000,00 = -175K 0,2
Baixa Produção $50.000,00 = 50K 0,8
Local 1: Probabilidades Condicionadas
Resultado P (Domo | Resultado) P (Sem Domo| Resultado)
Poço Seco (PS) 0,514286 0,485714
Baixa Produção 0,75 0,25
Alta Produção (AP) 0,90 0,10
67
5.1 Resultados obtidos
5.1.1 Estrutura da Árvore
Neste caso a essência do problema é avaliar o trade-off entre explorar um primeiro local
que possui significativo grau de risco com retorno mais elevado, em detrimento de um
segundo local com menor retorno financeiro, porém com menor risco associado.
A partir das informações e dados fornecidos é possível esboçar inicialmente uma árvore
contendo os nós e ramos probabilísticos do primeiro local.
Figura 5.1: Árvore de probabilidade inicial do primeiro local
(Fonte: Elaboração própria)
Note que para modelagem de decisões do problema é conveniente que se inverta a
estrutura de ramos da árvore para adequação a sequência cronológica do projeto, obtendo
assim as probabilidades condicionadas dos eventos exploratórios (poço seco, baixa
produção, alta produção) dado o estado da natureza de existência ou ausência de domos.
68
Através da ferramenta “Revisão Bayesiana” do PrecisionTree, obtém-se [33]
rapidamente a estrutura a estrutura da nova árvore invertida com suas respectivas
probabilidades.
Figura 5.2: Árvore de probabilidade invertida
(Fonte: Elaboração própria)
Entretanto, é relevante que não se esqueça os importantes conceitos e fundamentos
teóricos envolvidos nessa operação. Tradicionalmente, o cálculo das probabilidades da
nova árvore é realizado, utilizando-se o teorema de Bayes, onde para dois eventos A e B
não independentes, tem-se [18]:
𝑃(𝐴|𝐵) = 𝑃(𝐵|𝐴). 𝑃(𝐴)
𝑃(𝐵) ; 𝑃(𝐵) ≠ 0
Dessa forma:
i) caso a primeira locação esteja com presença de domo (D):
𝑃(𝐴𝑃|𝐷) = 𝑃(𝐷|𝐴𝑃). 𝑃(𝐴𝑃)
𝑃(𝐷)=
(0,9)(0,1)
(0,6)= 0,15
𝑃(𝐵𝑃|𝐷) = 𝑃(𝐷|𝐵𝑃). 𝑃(𝐵𝑃)
𝑃(𝐷)=
(0,75)(0,2)
(0,6)= 0,25
69
𝑃(𝑃𝑆|𝐷) = 𝑃(𝐷|𝑃𝑆). 𝑃(𝑃𝑆)
𝑃(𝐷)=
(0,514286)(0,7)
(0,6)= 0,60
ii) caso a primeira locação esteja sem domo (SD):
𝑃(𝐴𝑃|𝑆𝐷) = 𝑃(𝑆𝐷|𝐴𝑃). 𝑃(𝐴𝑃)
𝑃(𝑆𝐷)=
(0,10)(0,10)
(0,4)= 0,025
𝑃(𝐵𝑃|𝑆𝐷) = 𝑃(𝑆𝐷|𝐵𝑃). 𝑃(𝐵𝑃)
𝑃(𝑆𝐷)=
(0,25)(0,20)
(0,4)= 0,125
𝑃(𝑃𝑆|𝑆𝐷) = 𝑃(𝑆𝐷|𝑃𝑆). 𝑃(𝑃𝑆)
𝑃(𝑆𝐷)=
(0,485714)(0,70)
(0,4)= 0,85
Chegando-se, então, aos resultados anteriormente expostos e resumidos na tabela 5.2.
Observa-se, dessa forma, o enorme ganho de tempo que a ferramenta de revisão bayesiana
proporciona, especialmente em processos decisórios de projetos industriais que, não
frequentemente, tem um número ramificações bastante superior ao referido exemplo.
Tabela 5.2: Resumo das probabilidades condicionais da primeira locação
(Fonte: Dados e Tabela: Elaboração própria)
Local 1
Resultado P (Resultado | Domo) P (Resultado | Sem Domo)
Poço Seco (PS) 0,6 0,85
Baixa Produção (BP) 0,25 0,125
Alta produção (AP) 0,15 0,025
A modelagem decisória completa do problema levará em conta todos dados financeiros e
retornará também todos payoffs de cada ramo e nó; além da alternativa de decisão ótima
a ser escolhida; conforme ilustrado na figura 5.3. Destacado em amarelo estão os inputs
do modelo que de acordo com o intervalo de valores que podem assumir, irão influenciar
os valores monetários esperados e a escolha da decisão considerada ótima.
70
Note que o percentual de participação no empreendimento e a tolerância ao risco são
também, portanto, parâmetros incertos a serem estudados, visando-se chegar a um valor
ótimo que maximize os ganhos e contrabalance as incertezas que estão envolvidas.
Figura 5.3: Árvore de decisão do problema
(Fonte: Elaboração própria)
Conforme será visto a seguir, é possível obter um relatório completo com diversos
parâmetros, gráficos e curvas que irão compor o perfil de risco e que serão muito úteis na
análise de risco do projeto.
71
5.1.2 Árvore ótima
O método para obtenção do caminho ótimo desta árvore de decisão será o mesmo
empregado no exemplo do capítulo anterior. Através do comando “Sugestão de política”
do menu “Análise de decisão”, o software PrecisionTree, exibe tão somente a estrutura
formada pela melhor alternativa de decisão, seguida dos nós probabilísticos que lhe são
posteriores. Os demais ramos e nós não selecionados como melhor caminho não são
exibidos. A figura 5.4 mostra a estrutura da árvore de decisão ótima do problema em
questão mostrando a primeira locação como decisão ótima e a figura 5.5 exibe a decisão
ótimas por nó, além do benefício associado às melhores escolhas para cada decisão.
Figura 5.4: Árvore de decisão do problema
(Fonte: Elaboração própria)
Figura 5.5: Especificação da melhor decisão
(Fonte: Elaboração própria)
Decisão Escolha ótima Probabilidade de chegada
Benefício da escolha correta
(Melhor - Pior)
Benefício da escolha correta
(Melhor - Segunda melhor)
'Decisão' (B34) Site1 100,0000% 10 10
72
5.1.3 Resumo Estatístico
A tabela 5.2 exibe o relatório gerado com os principais parâmetros estatísticos de ambas
locações. Observando os valores de desvio padrão e variância, percebe-se uma maior
dispersão dos valores referentes a primeira locação em comparação com a segunda. Isso
constitui um primeiro indicativo para a tolerância ao risco mínima que deve ser assumida
pelo gestor caso queira-se prosseguir de acordo com a decisão considerada ótima.
Tabela 5.3: Parâmetros estatísticos por locação
(Fonte: Dados e Tabela: Elaboração própria)
Estatísticas Local 1 Local 2
Média 10 0
Mínimo -100 -200
Máximo 500 50
Modo -100 50
Desvio padrão 190,7878403 100
Distorção 1,6390 -1,5000
Curtose 4,4863 3,2500
5.1.4 Gráfico de Probabilidade
Esse conjunto de resultados é usado na criação da função de distribuição que irá compor
o perfil de risco. A figura 5.6 exibe sua representação gráfica onde é possível observar
todos retornos financeiros com suas respectivas probabilidades de ocorrência.
Veja que como agora se trata de dois locais distintos com diferentes cenários
probabilísticos para um mesmo e único nó inicial de decisão; o PrecisionTree analisa
cada alternativa de decisão possível e os sobrepõe no mesmo gráfico do perfil de risco;
viabilizando assim efeito visual comparativo das alternativas de decisão.
73
Figura 5.6: Gráfico de Probabilidade
(Fonte: Elaboração própria)
Note que entre os cenários mais pessimistas para ambos locais, é a segunda locação que
terá probabilidade maior de ter o maior prejuízo. Além disso, observe que o caso otimista
de maior valor monetário esperado será no primeiro local, porém com apenas 10% de
probabilidade de ocorrência.
5.1.5 Gráfico Cumulativo
É possível gerar ainda um gráfico com perfil de risco cumulativo. A figura 5.7 ilustra uma
distribuição de densidade cumulativa para cada alternativa de decisão.
0%
20%
40%
60%
80%
100%-2
00
-10
0 0
10
0
20
0
30
0
40
0
50
0
60
0
Pro
ba
bil
ity
Probabilities for Decision Tree 'Oil Wildcatting'Choice Comparison for Node 'Decisão'
Site1
Site2
Não_Explorar
74
Figura 5.7: Gráfico Cumulativo
(Fonte: Elaboração própria)
Veja que a obtenção do melhor retorno financeiro será probabilisticamente maior para a
primeira locação, estando de acordo com a decisão ótima. A probabilidade de 20% que
abarca um intervalo de valores de payoff negativo até o limite superior de $50.000 deve
chamar atenção do tomador de decisão e ser confrontada com sua tolerância ao risco.
5.1.6 Gráfico de sensibilidade e Gráfico de Tornado
O gráfico de sensibilidade para o exemplo em questão irá variar as duas entradas críticas
que convém ser estudadas em relação ao retorno financeiro da decisão: o lucro de um
poço com baixa produção no primeiro local na presença de domo e a probabilidade de
ocorrência de baixa produção ao se perfurar um poço na segunda locação.
Os gráficos de sensibilidade das figuras 5.8 e 5.9 exibem o impacto dessas variáveis de
entrada no valor monetário esperado. Observe que um lucro a partir de $100.000, isto é
$50.000 a menos do que o lucro esperado, já começa a impactar positivamente no valor
esperado da decisão. Ao passo que somente a partir de probabilidades maiores que a mais
provável de 80% de ocorrência de baixa produção no segundo local, é que se impactaria
o valor esperado do nó decisório.
0%
20%
40%
60%
80%
100%-2
00
-100 0
100
200
300
400
500
600
Cu
mu
lati
ve P
rob
abili
tyCumulative Probabilities for Decision Tree 'Oil Wildcatting'
Choice Comparison for Node 'Decisão'
Site1
Site2
Não_Explorar
75
Figura 5.8: Gráfico de sensibilidade unidirecional para o local 1
(Fonte: Elaboração própria)
Figura 5.9: Gráfico de sensibilidade unidirecional para o local 2
(Fonte: Elaboração própria)
0
10
20
30
40
50
60
70
-100 0
100
200
300
400
500
600
Exp
ect
ed
Val
ue
LowProdSite1 (D18)
Sensitivity of Decision Tree 'Oil Wildcatting'Expected Value of Node 'Decisão' (B34)With Variation of LowProdSite1 (D18)
5
10
15
20
25
30
35
40
45
50
55
-2,0
0E-0
1
0,0%
20,0
%
40,0
%
60,0
%
80,0
%
100,
0%
120,
0%
Exp
ect
ed
Val
ue
LowProdSite2 (C39)
Sensitivity of Decision Tree 'Clemen245'Expected Value of Node 'Decisão' (B34)With Variation of LowProdSite2 (C39)
76
Isso já é um forte indício que a decisão sobre qual local explorar é mais sensível ao lucro
do poço de baixa produção no primeiro local do que sua probabilidade de ocorrência no
segundo. A comparação do impacto destas duas análises de sensibilidade é ratificada no
gráfico de tornado da figura 5.10 a seguir.
Figura 5.10: Gráfico de tornado
(Fonte: Elaboração própria)
5.1.7 Gráfico de Radar
Note que o gráfico de tornado exposto anteriormente apenas compara a amplitude das
análises de sensibilidade sem informar, no entanto, quem irá proporcionar maior alteração
no valor esperado por variação unitária das entradas que estão sendo estudadas.
Para isso recorre-se a inclinação das curvas do gráfico de radar. A figura 5.11 mostra um
gráfico no qual a inclinação da curva que representa a probabilidade de baixa produção
no segundo local é maior do que a inclinação da curva que representa o lucro da baixa
produção no primeiro local.
Isso permite inferir que apesar do lucro de um poço com baixa produção causar maior
amplitude de variação no valor esperado; é a probabilidade de baixa produção que causa
maior variação unitária no valor monetário esperado.
0 10 20 30 40 50 60 70
LowProdSite1 (D18)
LowProdSite2 (C39)
Expected Value
Tornado Graph of Decision Tree 'Oil Wildcatting'Expected Value of Entire Model
77
Figura 5.11: Gráfico Radar
(Fonte: Elaboração própria)
5.1.8 Gráficos da região de estratégia
Os gráficos da região de estratégia unidirecional permitem ver o conjunto de valores que
maximiza o valor monetário esperado de cada alternativa de decisão em comparação com
as demais.
Na figura 5.12 observa-se, inicialmente, a preponderância da segunda locação em relação
as demais. Há, porém, depois, um pequeno intervalo em torno de um lucro acima de
$100.000, no qual a decisão de explorar o primeiro local dominará sobre a decisão de não
explorar, porém será preterida pela escolha da segunda locação. Somente, então, a partir
do momento que o lucro de um poço de baixa produção for superior a $125.000 é que a
decisão de explorar o primeiro local irá sempre dominar sobre todas as demais.
Pela figura 5.13 nota-se também que a probabilidade de se achar um poço com baixa
produção no segundo local teria que ser superior a 85% para que a decisão de explorar
esse local domine sempre sobre as demais alternativas. Note que para valores menores ou
iguais a 80% a decisão de explorar o primeiro local sempre dominará sobre as demais.
0
10
20
30
40
50
60
70-1
50,0
%
-100
,0%
-50,
0%
0,0%
50,0
%
100,
0%
150,
0%
200,
0%
250,
0%
Exp
ect
ed
Val
ue
Change in Input (%)
Spider Graph of Decision Tree 'Oil Wildcatting'Expected Value of Entire Model
LowProdSite1 (D18)
LowProdSite2 (C39)
78
Figura 5.12: Região de Estratégia unidirecional para o local 1
(Fonte: Elaboração própria)
Figura 5.13: Região de Estratégia unidirecional para o local 2
(Fonte: Elaboração própria)
-20
-10
0
10
20
30
40
50
60
70
-100 0
100
200
300
400
500
600
Exp
ect
ed
Val
ue
LowProdSite1 (D18)
Strategy Region of Decision Tree 'Oil Wildcatting'Expected Value of Node 'Decisão' (B34)With Variation of LowProdSite1 (D18)
Site1
Site2
Não_Explorar
-200
-150
-100
-50
0
50
100
-2,0
0E-0
1
0,0%
20,0
%
40,0
%
60,0
%
80,0
%
100,
0%
120,
0%
Expe
cted
Val
ue
LowProdSite2 (C39)
Strategy Region of Decision Tree 'Oil Wildcatting'Expected Value of Node 'Decisão' (B34)With Variation of LowProdSite2 (C39)
Site1
Site2
Não_Explorar
79
Caso queira-se visualizar a variação simultânea das duas entradas em um mesmo gráfico,
recorre-se a região de estratégia bidirecional. Nele é possível observar três regiões
composta pelos pares de valores que levam a suas respectivas alternativa de decisão.
Pela figura 5.14, é fácil ver que existe um maior conjunto de valores de probabilidade e
lucro que satisfazem a decisão ótima em comparação com as demais alternativas de
decisão.
Figura 5.14: Região de Estratégia bidimensional
(Fonte: Elaboração própria)
0,0%
20,0%
40,0%
60,0%
80,0%
100,0%
0
50
10
0
15
0
20
0
25
0
30
0
35
0
40
0
45
0
50
0
Lo
wP
rod
Sit
e2
(C
26
)
LowProdSite1 (D5)
Strategy Region for Node 'Decisão'
Site1
Site2
Não_Explorar
80
5.1.9 Análise de Risco
A análise de risco é realizada utilizando-se a função utilidade exponencial que expressa
o valor de um determinado projeto em função de seu risco e retorno. Além das entradas
anteriormente estudadas, considerar-se-á agora a tolerância ao risco e o percentual de
participação no empreendimento, porém em relação ao equivalente de certeza.
A figura 5.15 mostra um gráfico com o comportamento do equivalente de certeza em
função de variações na tolerância ao risco. Através dessa curva, obtém-se, assim, uma
quantificação do prêmio correspondente ao se aceitar correr o risco de perder uma
determinada quantia; além de avaliar melhor até quando vale a pena flexibilizar a
tolerância ao risco para valores mais altos.
Neste caso, veja que o equivalente de certeza irá responder mais significativamente para
valores compreendidos no intervalo da tolerância mínima de $880.000,00 até
$2.635.000,00.
Figura 5.15: Equivalente certo em função da Tolerância ao Risco
(Fonte: Elaboração própria)
-1
0
1
2
3
4
5
6
0
500
1000
1500
2000
2500
3000
3500
4000
4500
Ce
rta
inty
Eq
.
Risk Tolerance R (C1)
Sensitivity of Decision Tree 'Oil Wildcatting'Certainty Equivalent of Node 'Decisão' (B21)
With Variation of Risk Tolerance R (C1)
81
No entanto, é necessário saber também como a variação da tolerância ao risco influenciará
na dominância das alternativas de decisão em termos do equivalente certo. Para isso
recorre-se ao gráfico da região de estratégia, ilustrado na figura 5.16, que mostra o
cruzamento das curvas de decisão conforme valores de risco assumidos.
Figura 5.16: Região de Estratégia em função da Tolerância ao Risco
(Fonte: Elaboração própria)
Veja que somente a partir de uma tolerância mínima de $880.000,00 é que a decisão de
explorar a segunda locação passa a dominar sobre a decisão de não explorar. Ao passo
que a decisão de explorar o primeiro local possa dominar a mesma somente a partir de
um risco assumido no valor de $1.855.000,00.
A decisão de explorar a primeira locação será ótima quando tiver o maior equivalente de
certeza em comparação com as demais alternativas de decisão. Isso ocorre para valores
maiores ou iguais a $2.830.000,00. Tolerâncias ao risco superiores a este valor não
proporcionarão ganhos substanciais no equivalente de certeza, estabelecendo assim um
limite superior para seu aumento.
-70
-60
-50
-40
-30
-20
-10
0
10
0
500
1000
1500
2000
2500
3000
3500
4000
4500
Ce
rta
inty
Eq
.
Risk Tolerance R (C1)
Strategy Region of Decision Tree 'Oil Wildcatting'Certainty Equivalent of Node 'Decisão' (B21)
With Variation of Risk Tolerance R (C1)
Site1
Site2
Não_Explorar
82
Na prática, porém, constata-se que as empresas tendem a formar consórcios para diluir os
riscos e custos envolvidos. Dessa forma, o tamanho da participação que a empresa tem
no empreendimento exploratório também influencia no equivalente de certeza e isto deve
ser levado em consideração em uma nova análise de sensibilidade ilustrada no gráfico da
figura 5.17.
Figura 5.17: Equivalente de certeza em função do Percentual de Participação
(Fonte: Elaboração própria)
Note que uma participação próxima a 100% além de não desejável, devido aos pesados
custos envolvidos e elevada exposição aos riscos, é não recomendável pelo baixo
equivalente de certeza associado.
Os dois picos corresponderão aos percentuais de participação de 30% e 60% que
maximizam o equivalente de certeza. É nestes pontos de máximo que as empresas devem
se basear para decidir seu percentual de participação em um consórcio. O ponto de
inflexão em torno de 40% evidencia uma mudança de dominância entre as decisões,
conforme mostrado no gráfico da região de estratégia da figura 5.18.
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
1,4
1,6
-20% 0% 20
%
40%
60%
80%
100%
120%
Ce
rta
inty
Eq
.
Share (C2)
Sensitivity of Decision Tree 'Oil Wildcatting'Certainty Equivalent of Node 'Decisão' (B21)
With Variation of Share (C2)
83
Veja que a partir de 40% de participação, a decisão de explorar o segundo local passa a
dominar por ter o maior equivalente de certeza, chegando a maximizá-lo para uma
participação ótima de 60%. Já a decisão ótima de exploração do primeiro local terá um
share ótimo para um nível de participação de 30%.
Figura 5.18: Região de Estratégia em função do Percentual de Participação
(Fonte: Elaboração própria)
No que se refere a uma visão comparativa de qual das referidas entradas (percentual de
participação ou tolerância ao risco), irá impactar mais no equivalente de certeza em
termos de amplitude ou extensão, pode-se recorrer ao gráfico de Radar da figura 5.19.
Nele é fácil ver que o equivalente de certeza é mais sensível a tolerância ao risco do que
ao percentual de participação no empreendimento.
Porém, a diferença quanto a intensidade do impacto no equivalente de certeza promovido
pela variação unitária destas entradas, deve ser avaliado pela inclinação das curvas do
gráfico Spider. Nota-se que a tolerância ao risco terá também, além da maior extensão,
maior impacto no equivalente de certeza por variação unitária, desde que seja positiva.
-7
-6
-5
-4
-3
-2
-1
0
1
2
-20% 0% 20
%
40%
60%
80%
100%
120%
Ce
rta
inty
Eq
.
Share (C2)
Strategy Region of Decision Tree 'Oil Wildcatting'Certainty Equivalent of Node 'Decisão' (B21)
With Variation of Share (C2)
Site1
Site2
Não_Explorar
84
Figura 5.19: Gráfico Radar
(Fonte: Elaboração própria)
Figura 5.20: Gráfico Spider
(Fonte: Elaboração própria)
-1 0 1 2 3 4 5 6
Risk Tolerance R (C1)
Share (C2)
Certainty Eq.
Tornado Graph of Decision Tree 'Oil Wildcatting'Certainty Equivalent of Entire Model
-1
0
1
2
3
4
5
6
-150
,0%
-100
,0%
-50,
0%
0,0%
50,0
%
100,
0%
150,
0%
200,
0%
250,
0%
300,
0%
350,
0%
Ce
rta
inty
Eq
.
Change in Input (%)
Spider Graph of Decision Tree 'Oil Wildcatting'Certainty Equivalent of Entire Model
Risk Tolerance R (C1)
Share (C2)
85
Caso queira-se visualizar o efeito da variação simultânea destas entradas no equivalente
de certeza, recorre-se ao gráfico de sensibilidade bidimensional da figura 5.21. Nele as
entradas de tolerância ao risco e percentual de participação encontram-se nos eixos X e
Y e o equivalente de certeza, no eixo Z. O conjunto de pontos dá origem a superfície,
segmentada por níveis, mostrada abaixo.
Figura 5.21: Análise de Sensibilidade Bidimensional
(Fonte: Elaboração própria)
86
Há ocasiões, no entanto, que é relevante saber também qual conjunto de valores que as
entradas podem assumir para cada alternativa de decisão. Nesse caso, recorre-se ao
gráfico da região de estratégia bidirecional da figura 5.22.
Note que o maior espaço amostral formado por valores de tolerância ao risco e percentual
de participação obedece a decisão ótima de exploração do primeiro local. Note também
que independente da fatia de participação, é necessário que se tenha maior tolerância ao
risco para que a decisão de perfuração do primeiro local possa ser tomada.
Figura 5.22: Região de Estratégia Bidirecional
(Fonte: Elaboração própria)
0%
20%
40%
60%
80%
100%
0
500
1000
1500
2000
2500
3000
3500
4000
Sha
re (C
2)
Risk Tolerance R (C1)
Strategy Region for Node 'Decisão'
Site1
Site2
Não_Explorar
87
A figura 5.23 mostra a variação do equivalente certo em função dos inputs iniciais do
modelo correspondentes ao lucro de um poço com baixa produção no primeiro local na
presença de domo e a probabilidade de ocorrência de baixa produção na segunda locação.
Figura 5.23: Análise de Sensibilidade Bidimensional
(Fonte: Elaboração própria)
0,0%
15,0%
30,0%
45,0%
60,0%
75,0%
90,0%
0
5
10
15
20
25
30
35
40
45
50
0 50 100 150 200 250 300 350 400 450 500
LowProdSite2 (C26)
Ce
rta
inty
Eq
.
LowProdSite1 (D5)
Sensitivity of Decision Tree 'Oil Wildcatting'Certainty Equivalent of Node 'Decisão' (B21)
88
6 Conclusão
Há uma pluralidade de critérios aceitáveis para tratar o risco de uma mesma decisão em
projetos de E&P de óleo e gás. Quando tal diversidade reflete diferentes atitudes
gerenciais frente ao risco, (ora mais conservadora, ora mais arrojada) fica claro para o
tomador de decisão qual critério adotar.
No entanto, há contextos em que mesmo possuindo uma atitude ao risco bem definida,
não se elucida de forma apodítica qual melhor caminho a ser seguido. De fato, no capítulo
dois, constatou-se para uma mesma atitude de prudência, a possibilidade de aplicar
critérios diferentes (Wald e Savage) e se chegar a decisões distintas (D2 e D4). Além de
ser também possível chegar-se a decisões distintas usando um mesmo critério (Hurwicz).
No capítulo três simulações feitas no software @Risk permitiram obter, para o caso
“Murtha modificado”, uma distribuição log-Normal para o OIP de um reservatório
estimado em cerca de trezentos milhões de barris. A análise de sensibilidade revelou que
o volume de óleo é mais influenciável por variações na área e espessura do reservatório
do que pela porosidade, saturação de água e fator volume formação. Quanto à previsão
de produção ao longo do tempo, observou-se não apenas uma simples curva com
decaimento exponencial, mas sim toda uma banda (ou região) devido às incertezas
associadas à produção inicial e taxa de declínio
No capítulo quatro para o caso “teste e perfuração”, verificou-se que a decisão ótima
corresponde a realização do teste geológico antes da decisão de perfuração; apesar dos
maiores custos inerentes a esta escolha. Além disso, ficou claro que a decisão de
realização do teste é menos sensível ao seu custo de execução e mais influenciável pelo
custo de perfuração de um poço exploratório. A tolerância ao risco deve se manter em
patamares aceitáveis para que o projeto possa ser viável. Porém, caso a mesma seja
suficientemente grande, pode-se optar por perfurar os poços de uma só vez sem a
realização prévia do teste geológico, poupando, desta forma, tempo e recursos
financeiros.
No capítulo cinco para o caso “Oil Wildcatting”, constatou-se que a decisão ótima seria
perfurar o poço exploratório na primeira locação, ao invés de na segunda. A análise de
sensibilidade do PrecisionTree mostrou que o lucro de um poço com baixa produção no
89
primeiro local causa maior amplitude de variação no VME da decisão ótima; ao passo
que a probabilidade de baixa produção no segundo local causará maior taxa de variação.
O percentual ótimo de participação que maximiza o equivalente certo da decisão de
explorar o primeiro local será de 30% para uma tolerância ao risco de um milhão. A partir
deste nível de participação, a decisão de explorar o segundo local passará a dominar sobre
o primeiro, maximizando o equivalente certo para um share de 60%. Destaca-se também
que decisão de não explorar não foi em nenhum contexto uma decisão factível de ser
tomada. Além disso, verificou-se que o equivalente certo será mais sensível à tolerância
ao risco do que ao nível de participação, tanto em amplitude quanto em variação unitária,
para as condições básicas explicitadas no problema considerado.
Ao longo das análises que levaram a todos estes resultados, percebeu-se, portanto, que
existem diversas formas de se executar a análise de uma decisão sem que uma
determinada técnica possa ser considerada melhor que outra. Muitas representações
gráficas e softwares abarcam conjuntos diferentes de dados e informações para o mesmo
problema, podendo levar, portanto, a diferentes decisões.
A própria escolha de quais entradas serão variadas ao se executar uma análise de
sensibilidade, seu intervalo e o tipo de variável de saída; são todas escolhidas pelo
tomador de decisão de acordo com as condições do projeto e o modelo adotado. Deve-se
ter, portanto, muita cautela e bom senso na definição destes parâmetros de acordo com o
que se quer analisar e entender melhor.
Desta forma, grande valor de todas estas ferramentas é tornar objetivo um processo de
tomada de decisão multifacetado e, por natureza, subjetivo. Na indústria petrolífera onde
reina a escassez de dados e abundância de incertezas, é vital seu conhecimento e
aplicação.
Este trabalho é apresentado, portanto, na esperança de cumprir o objetivo proposto de
preencher uma lacuna na literatura disponível em língua portuguesa voltada para tomada
de decisões em ambiente de risco e incerteza em projetos de exploração e produção de
óleo e gás.
Esta monografia poderá inclusive ser utilizada como apostila para a disciplina “Avaliação
Econômica de Projetos de Óleo e Gás” ministrada nos níveis de graduação e pós-
graduação; sendo, portanto, um embrião para um futuro livro a ser publicado futuramente.
90
7 Referências bibliográficas
[1] THIERAUF, J.T., KLEKAMP, R.C., Decision Making Through Operations
Research. 1 ed, Wiscosin, Wiley, 1970.
[2] LACHTERMARCHER, G., Pesquisa Operacional na Tomada de Decisões. 4 ed.
São Paulo, Pearson, 2009.
[3] BRATVOLD, R.B., BEGG, S., Making Good Decisions. 1 ed. [S.L]. Society of
Petroleum Engineers, 2010.
[4] MOTTA, R., CALÔBA, G., Análise de Investimentos: Tomada de Decisões em
Projetos Industriais. 1 ed. São Paulo, Atlas S.A.,2006.
[5] MIGUEL, M.G.R., Comparação do desempenho da estatística tipo-Wald com o de
outras estatísticas de teste em modelos lineares generalizados. Tese de M.Sc.,
Universidade de São Paulo, São Paulo, SP, Brasil, 2015.
[6] DECISÃO SOB INCERTEZA. Disponível em:
<http://equipe.nce.ufrj.br/eber/ITD/ppt/ITD02.pdf>. Acesso em: 28 fev 2017
[7] PESQUISA OPERACIONAL E MODELAGEM. Disponível em:
<https://www.scribd.com/document/60912311/PO-Teoria-da-Decisao-INCERTEZA>.
Acesso em: 03 Mar 2017
[8] ANDRADE, E.L., Introdução à pesquisa operacional: métodos e modelos para a
análise de decisão. 2 ed, Rio de Janeiro, LTC, 2002.
[9] DECISÕES DE CUSTOS UTILIZANDO A TEORIA MINIMAX DE LEONARD J.
SAVAGE. Disponível em:
<https://anaiscbc.emnuvens.com.br/anais/article/download/902/902>.
Acesso em: 15 Mar 2017
[10] MORAIS, J.D., Petróleo em águas profundas: Uma história tecnológica da
Petrobras na exploração e produção offshore. 1 ed, Brasília, 2013.
[11] TRIOLA, M. F., Introdução à Estatística. 1 ed. Rio de Janeiro, LTC, 1999.
91
[12] SOBOL, I.M. A Primer for the Monte Carlo Method.1 ed, Flórida, CRC, 1994.
[13] MURTHA, J., “Incorporating Historical Data Into Monte Carlo Simulation”. SPE
Petroleum Computer Conference, 26245, New Orleans, 11-14 July 1993.
[14] RUBINSTEIN, R.Y., KROESE, D.P., Simulation and the Monte Carlo Method.
2 ed, Canada, Wiley-Interscience, 2007.
[15] BUSSAB, W.O., MORETTIN, P.A., Estatística Básica. 8 ed. São Paulo, Saraiva,
2013.
[16] FONSECA, J.S.; MARTINS, G.A., Curso de Estatística. 1 ed. Rio de Janeiro: LTC,
1982.
[17] TEOREMA CENTRAL DO LIMITE. Disponível em:
<http://www.portalaction.com.br/probabilidades/732-teorema-central-do-limite>.
Acesso em 09 Jun 2017.
[18] MEYER, P.L., Probabilidade: Aplicações à Estatística. 2 ed. Rio de Janeiro, LTC,
1983.
[19] DOWNING, D.; CLARK, J, Estatística Aplicada. 2 ed. São Paulo, Saraiva, 2000.
[20] SOARES, J. F.; FARIAS, A. A.; CESAR, C. C., Introdução à Estatística. 2 ed. Rio
de Janeiro: LTC, 1991.
[21] DISTRIBUIÇÃO UNIFORME. Disponível em:
<http://www.portalaction.com.br/probabilidades/61-distribuicao-uniforme>. Acesso em:
15 jun 2017
[22] BRAULE, R., Estatística Aplicada com Excel: para cursos de Administração e
Economia. 1 ed. Rio de Janeiro, Campus, 2001.
[23] STEVENSON, W. J., Estatística Aplicada à Administração. 1 ed. São Paulo,
Harbra, 1986.
[24] WONNACOTT, T. H., WONNACOTT, R. J., Estatística Aplicada à Economia e
à Administração. 1 ed. Rio de Janeiro, LTC,1981.
92
[25] MURTHA, J., Decision Involving Uncertainty: An @RISK Tutorial for the
Petroleum Industry. 2 ed. New York, Palisade Corporation, 2008.
[26] TESTE QUI-QUADRADO DE PEARSON. Disponível em:
<http://www.portalaction.com.br/inferencia/532-teste-qui-quadrado-de-pearson>.
Acesso em: 01 jun 2017.
[27] PALISADE MANUALS. @RISK: Risk Analysis and Simulation Add-In for
Microsoft Excel, 2010. Disponível em:
< https://www.palisade.com/downloads/manuals/EN/RISK5_EN.pdf>. Acesso em: 15
mar 2017.
[28] TESTE DE KOLMOGOROV-SMIRNOV. Disponível em:
<http://www.portalaction.com.br/content/62-teste-de-kolmogorov-smirnov>. Acesso em
01 jun 2017.
[29] TESTES DE HIPÓTESES NÃO PARAMÉTRICOS. Disponível em:
<http://www.mat.ufrgs.br/~viali/estatistica/mat2282/material/textos/Testes_Nao_Param
etricos.pdf>. Acesso em 05 jun 2017
[30] SALLES, A. A., 2010. Notas de Aula - Correlação Amostral. Rio de Janeiro: Escola
Politécnica, Universidade Federal do Rio de Janeiro
[31] SALLES, A. A., 2010. Notas de Aula - Análise de Regressão. Rio de Janeiro: Escola
Politécnica, Universidade Federal do Rio de Janeiro.
[32] NEWENDORP, P.D., SCHUYLER, J.R., Decision Analysis for Petroleum
Exploration. 2 ed. Colorado, Planning Press, 2013.
[33] PALISADE MANUALS. Precision Tree: Decision Analysis Add-In for Microsoft
Excel, 2007. Disponível em:
<https://www.palisade.com/downloads/manuals/EN/PrecisionTree5_EN.pdf>. Acesso
em: 10 fev 2017.
[34] MONGOMEY, D.C., RUNGER, G.C., Estatística Aplicada e Probabilidade para
Engenheiros. 4 ed, Rio de Janeiro, LTC, 2007.
93
[35] MAGALHÃES, M.N., LIMA, A.C.P., Noções de Probabilidade e Estatística. 7 ed.
São Paulo, editora USP, 1999.
94
Apêndice
A h Φ Sw Bo
1997,7 75,5 35,7% 21% 1,09
35,4 420,2 29,0% 24% 1,12
298,6 257,2 27,7% 21% 1,10
100,3 119,9 24,4% 24% 1,03
424,6 95,7 31,3% 6% 1,05
577,9 80,7 30,5% 19% 1,06
2203,1 166,3 32,3% 20% 1,03
74,9 212,1 26,3% 17% 1,03
832,4 216,7 20,9% 23% 1,11
383,7 164,5 23,1% 39% 1,21
99,4 104,9 22,5% 21% 1,26
117,5 139,9 29,0% 29% 1,06
694,9 519,4 31,6% 23% 1,19
1169,7 97,8 31,4% 20% 1,23
176,6 156,5 24,7% 28% 1,03
476,0 108,0 23,5% 25% 1,05
319,1 149,7 22,5% 31% 1,06
699,9 61,8 27,3% 17% 1,11
290,7 250,7 26,3% 30% 1,11
148,0 169,3 31,3% 22% 1,07
95
1415,6 118,4 23,4% 30% 1,06
968,5 315,7 31,4% 21% 1,14
746,8 421,2 25,7% 22% 1,06
5509,8 894,8 27,2% 19% 1,05
887,1 162,8 41,2% 33% 1,03
483,5 85,3 33,5% 25% 1,14
59,2 135,2 30,8% 13% 1,17
363,6 101,9 27,9% 20% 1,17
2302,1 207,8 23,5% 21% 1,05
547,8 284,3 29,3% 21% 1,00
401,2 178,8 37,9% 16% 1,06
142,4 471,9 21,1% 25% 1,13
508,1 168,9 33,8% 18% 1,07
709,2 284,0 32,1% 22% 1,08
722,9 303,1 30,9% 27% 1,09
955,1 306,2 28,0% 28% 1,13
275,2 215,5 33,1% 15% 1,03
188,3 141,2 34,1% 26% 1,07
110,2 172,7 32,0% 23% 1,03
1018,5 337,9 25,5% 24% 1,09
36,0 134,5 26,5% 25% 1,00
109,1 191,6 37,6% 20% 1,12
96
859,5 690,3 26,8% 23% 1,06
699,5 234,3 31,6% 23% 1,18
1245,2 189,7 33,8% 25% 1,10
193,4 381,5 29,5% 25% 1,24
1026,3 202,5 24,4% 21% 1,08
265,9 684,3 35,7% 20% 1,07
6294,3 88,6 30,1% 34% 1,03
1308,9 278,4 38,5% 19% 1,01
74,1 154,7 26,2% 35% 1,12
259,5 245,3 32,9% 21% 1,08
185,1 136,3 36,9% 14% 1,32
1587,1 45,7 31,0% 17% 1,18
205,7 207,5 19,9% 22% 1,26
521,1 417,2 30,5% 26% 1,09
2266,2 433,5 19,7% 30% 1,10
239,9 324,1 37,8% 15% 1,07
1188,8 103,6 29,6% 30% 1,17
254,1 246,6 35,8% 12% 1,03
940,3 352,1 45,5% 21% 1,17
269,6 312,0 24,5% 29% 1,01
117,1 1088,1 31,1% 22% 1,03
250,8 139,2 17,7% 17% 1,04
97
432,2 229,8 28,2% 29% 1,08
803,0 250,0 28,1% 23% 1,28
221,8 95,6 28,2% 27% 1,29
780,4 154,4 31,2% 12% 1,26
116,5 251,4 33,5% 17% 1,02
1498,4 97,5 29,6% 26% 1,10
1176,0 452,5 31,2% 17% 1,04
264,7 306,0 34,9% 25% 1,00
1423,5 35,0 34,0% 23% 1,14
1149,8 133,1 33,1% 28% 1,07
442,7 40,7 30,8% 19% 1,25
141,9 209,4 24,0% 24% 1,07
354,5 71,0 30,5% 19% 1,10
204,1 65,1 23,0% 26% 1,03
468,8 218,7 25,1% 14% 1,20
164,1 1503,6 25,4% 22% 1,20
342,3 865,7 19,8% 32% 1,23
878,6 432,4 30,3% 34% 1,20
88,8 291,2 21,4% 15% 2,11
2974,4 214,6 28,8% 12% 1,02
385,5 165,1 22,1% 31% 1,03
1327,2 272,6 24,1% 27% 1,09
98
76,6 87,5 31,8% 17% 1,52
1351,5 71,7 26,2% 34% 1,14
682,5 385,5 27,7% 25% 1,07
303,2 321,6 31,0% 25% 1,12
117,0 229,8 24,4% 31% 1,12
1589,5 177,7 36,6% 14% 1,11
50,0 10,4 26,4% 27% 1,10
603,4 250,2 33,3% 23% 1,03
218,1 31,2 25,5% 20% 1,01
820,4 454,5 33,6% 23% 1,06
783,0 81,8 34,0% 17% 1,02
87,5 141,3 26,5% 32% 1,01
278,1 254,4 24,4% 12% 1,07
615,1 129,1 33,7% 12% 1,11
346,8 355,4 32,3% 17% 1,09
398,3 116,2 14,5% 30% 1,15
378,9 37,7 35,9% 11% 1,43
1249,0 236,6 30,4% 29% 1,08
638,2 383,7 23,7% 21% 1,00
192,0 791,2 29,3% 21% 1,08
191,3 204,3 28,0% 27% 1,07
114,6 115,5 29,4% 13% 1,08
99
629,7 122,5 35,7% 21% 1,12
2063,8 557,7 41,1% 19% 1,08
981,3 228,1 37,5% 21% 1,17
296,4 130,5 30,7% 21% 1,17
157,0 110,7 30,6% 18% 1,03