anÁlise de risco de projetos de exploraÇÃo e...
TRANSCRIPT
ANÁLISE DE RISCO DE PROJETOS DE EXPLORAÇÃO E
PRODUÇÃO DE ÓLEO E GÁS: APLICAÇÃO DE ÁRVORE DE
DECISÃO COM TEOREMA DE BAYES
UMA INTRODUÇÃO AO ESTUDO DE SIMULAÇÃO
NUMÉRICA COMO INSTRUMENTO DE
GERENCIAMENTO DE RESERVATÓRIOS
UMA ANÁLISE DE RISCO DE PROJETOS DE EXPLORAÇÃO
E PRODUÇÃO DE ÓLEO E GÁS: APLICAÇÃO DE ÁRVORE
DE DECISÃO COM TEOREMA DE BAYES
Felipe Aballo de Figueiredo Relvas de Oliveira
Henrique Lemos Ribeiro
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
Março de 2019
UMA
ANÁLISE DE
RISCO DE
PROJETOS
DE
ANÁLISE DE RISCO DE PROJETOS DE EXPLORAÇÃO E
PRODUÇÃO DE ÓLEO E GÁS: APLICAÇÃO DE ÁRVORE DE
DECISÃO COM TEOREMA DE BAYES
Felipe Aballo de Figueiredo Relvas de Oliveira
Henrique Lemos Ribeiro
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 DE PETRÓLEO.
Examinada por:
____________________________________
Prof. Regis da Rocha Motta, Ph.D.
____________________________________
Prof. Rafael Mengotti Charin, Ph.D.
____________________________________
Prof. Cesar das Neves, Ph.D.
RIO DE JANEIRO, RJ - BRASIL
MARÇO DE 2019
II
Oliveira, Felipe Aballo de Figueiredo Relvas de
Ribeiro, Henrique Lemos
Análise De Risco De Projetos De Exploração e Produção De
Óleo e Gás: Aplicação De Árvore De Decisão Com Teorema De Bayes/
Felipe Aballo de Figueiredo Relvas e Henrique Lemos Ribeiro – Rio de
Janeiro: UFRJ/ Escola Politécnica, 2018.
XII, 68 p .: il .; 29,7cm
Orientador: Regis da Rocha Motta
Projeto de Graduação – UFRJ / Escola Politécnica / Curso de
Engenharia de Petróleo, 2018.
Referências Bibliográficas: p.67-68
1.Análise de Risco. 2. Teorema de Bayes. 3. Árvore de Decisão.
I. Motta, Regis da Rocha. II. Universidade Federal do Rio de Janeiro,
UFRJ, Escola Politécnica, Engenharia de Petróleo. III. Análise De Risco
De Projetos De Exploração e Produção De Óleo e Gás: Aplicação De
Árvore De Decisão Com Teorema De Bayes
III
Dedico este trabalho aos meus
pais, Márcia e Alexandre, por
todo o apoio imensurável durante
essa jornada.
Felipe Aballo de Figueiredo
Relvas de Oliveira
Dedico este trabalho com muito
carinho aos meus pais, Vilma e
Geraldo, pelo incentivo e apoio
constantes.
Henrique Lemos Ribeiro
IV
Agradecimentos
Primeiramente, dedico este trabalho aos meus avós, meus irmãos e em especial aos meus pais,
Márcia e Alexandre, esses que não mediram esforços para que este sonho se tornasse realidade.
Agradeço, também, a todos os meus amigos, vocês com toda certeza tornaram essa caminhada
muito mais tranquila e feliz.
Ao orientador Regis Motta, ofereço um agradecimento por toda a ajuda na realização desse
trabalho. Sua orientação tornou tudo mais fácil nessa reta final de curso.
Por fim, o meu muito obrigado a todos os professores que me acompanharam nessa jornada
acadêmica.
Felipe Aballo de Figueiredo Relvas de Oliveira
V
Agradecimentos
Dedico esta, bem como todas as minhas demais conquistas, aos meus pais, Vilma e Geraldo,
minhas irmãs Camila e Carolina е a toda minha família que, com muito carinho е apoio, não
mediram esforços para que eu chegasse até esta etapa de minha vida.
Agradeço a todos os meus amigos de curso e faculdade, em especial ao Felipe Relvas, pela
parceria no desenvolvimento desta monografia.
Agradeço também а todos os professores que me acompanharam durante а graduação, em
especial ao Prof. Regis da Rocha Motta, responsável pela realização deste trabalho.
Henrique Lemos Ribeiro
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 DE RISCO DE PROJETOS DE EXPLORAÇÃO E PRODUÇÃO DE ÓLEO E GÁS:
APLICAÇÃO DE ÁRVORE DE DECISÃO COM TEOREMA DE BAYES
Felipe Aballo de Figueiredo Relvas de Oliveira
Henrique Lemos Ribeiro
Março/2019
Orientador: Regis da Rocha Motta
Curso: Engenharia de Petróleo
A tomada de decisão concerne a todos, de decisões relativamente menos importantes a
verdadeiramente significativas, seja no cotidiano ou na vida profissional. A análise de decisão
fornece uma estrutura geral de como pensar em problemas difíceis e um conjunto de ferramentas
que podem ser usadas para construir e analisar um determinado modelo da situação. Tem sido
perceptível a evolução realizada nos últimos anos no aprimoramento dessas ferramentas e sua
importância em projetos de exploração e produção de óleo e gás.
Serão apresentados diferentes conceitos e atividades envolvidos na análise de risco e no teorema
de Bayes, além da utilização da árvore de decisões para averiguação da melhor alternativa para
contextos de risco e incerteza com múltiplos cenários. Junto à fundamentação teórica para cada
tópico, serão expostos também estudos de casos, de modo a prover tanto o embasamento teórico
como o prático.
Palavras-chave: Análise de Risco, Probabilidade, Teorema de Bayes, Árvore de Decisão,
Análise de Sensibilidade.
VII
Abstract of Undergraduate Project presented to POLI/UFRJ as a partial fulfillment of the
requirements for the degree of Petroleum Engineer.
RISK ANALYSIS OF OIL AND GAS EXPLORATION AND PRODUCTION PROJECTS:
APPLICATION OF DECISION TREE WITH BAYES THEOREM
Felipe Aballo de Figueiredo Relvas de Oliveira
Henrique Lemos Ribeiro
March/2019
Advisor: Regis da Rocha Motta
Course: Petroleum Engineering
Decision-making concerns everyone from relatively minor decisions to truly meaningful ones,
both in their daily lives and in their professional lives. Decision analysis gives us a general
framework of how to think about difficult cases and a set of tools that can be used to build and
analyze a model of the situation. The evolution of these tools and their importance in oil and gas
exploration and production projects has been evident in recent years.
Different concepts and activities involved in risk analysis and Bayes' theorem will be presented,
as well as the use of the decision tree to investigate the best alternative for risk and uncertainty
contexts with multiple scenarios. Alongside the theoretical basis for each topic, case studies will
also be presented, in order to provide both theoretical and practical support.
Keywords: Risk Analysis, Probability, Bayes' Theorem, Decision Tree, Sensitivity Analysis.
VIII
Sumário
Índice de Figuras ............................................................................................................................. x
Índice de Tabelas .......................................................................................................................... xii
1. Introdução ............................................................................................................................... 1
1.1. Contexto .......................................................................................................................... 1
1.2. Objetivo........................................................................................................................... 2
1.3. Organização do Texto ..................................................................................................... 2
2. Análise de Risco ..................................................................................................................... 4
2.1 Preâmbulo ............................................................................................................................. 4
2.2 Aplicabilidade ....................................................................................................................... 5
2.3 Modelos da análise de risco na indústria de óleo e gás ......................................................... 6
2.3.1 A abordagem determinística .......................................................................................... 7
2.3.2 A abordagem de cenário ................................................................................................ 7
2.3.3 A abordagem estocástica................................................................................................ 8
2.3.4 Risco de Exploração ...................................................................................................... 9
2.3.5 Risco de perfuração...................................................................................................... 10
2.3.6 Risco de Produção........................................................................................................ 12
2.4 Estimativas de Risco ........................................................................................................... 15
2.5 Análise de Sensibilidade ..................................................................................................... 17
3. Teorema de Bayes ................................................................................................................. 22
3.1 Preâmbulo ........................................................................................................................... 22
3.2 Teoria e Aplicabilidade ....................................................................................................... 22
3.3 Valor da Informação ........................................................................................................... 29
3.4 Estimativas de Risco ........................................................................................................... 34
4. Árvore de Decisões ............................................................................................................... 42
4.1. Definição ....................................................................................................................... 42
4.2. Arranjo e Simbologia da Árvore ................................................................................... 43
4.3. Estudo de Caso – Oil Wildcatting ................................................................................. 45
4.3.1. Problema ............................................................................................................... 45
IX
4.3.2. Apresentação dos resultados ................................................................................. 46
4.4. Estudo de Caso – Árvore Complexa ............................................................................. 51
4.4.1. Problema ............................................................................................................... 51
4.4.2. Apresentação dos Resultados ................................................................................ 53
Conclusão ...................................................................................................................................... 65
Referências .................................................................................................................................... 67
X
Índice de Figuras
Figura 2-1: Diagrama de modelo determinístico. Modificado de James A. Murtha (2008). .......... 7
Figura 2-2: Diagrama de modelo de cenário. Modificado de James A. Murtha (2008). ................ 8
Figura 2-3: Diagrama de simulação simples de Monte Carlo. Modificado de James A. Murtha
(2008). ............................................................................................................................................. 9
Figura 2-4: Previsão probabilística do declínio de produção para um poço de óleo. Modificado de
James A. Murtha (2008). .............................................................................................................. 15
Figura 2-5: Esboço que ilustra como a interação de fatores geológicos do acaso junto ao risco
econômico limita a capacidade de ser comercialmente bem-sucedido na produção de
hidrocarbonetos. Modificado de Ian Lerche e James A. MacKay (1999). ................................... 17
Figura 2-6: : Gráfico de tornado de sensibilidade para identificar os principais uncertainty drivers
e value levers. Modificado de Bratvold e Begg (2010). ............................................................... 20
Figura 2-7: Gráfico de Tornado mostrando a direção das sensibilidades e o Gráfico de Radar.
Modificado de Bratvold e Begg (2010). ....................................................................................... 20
Figura 3-1: Árvore de Decisão VoI genérica. Modificado de Bratvold e Begg (2010). ............... 33
Figura 3-2: Inversão da árvore (Tree Flipping). Modificado de Bratvold e Begg (2010). ........... 34
Figura 3-3: Resultados referentes ao Caso 1. Sequência sucesso, falha, sucesso, falha e sucesso.
....................................................................................................................................................... 35
Figura 3-4: Gráfico correspondente a sequência sucesso, falha, sucesso, falha e sucesso. .......... 36
Figura 3-5: Resultados referentes ao Caso 2. Sequência sucesso, sucesso, sucesso, falha e falha.
....................................................................................................................................................... 37
Figura 3-6: Gráfico correspondente a sequência sucesso, sucesso, sucesso, falha e falha. .......... 38
Figura 3-7: Gráfico correspondente a análise de sensibilidade para o caso 1. ............................. 39
Figura 3-8: Gráfico correspondente a análise de sensibilidade para o caso 2. ............................. 41
Figura 4-1: Exemplo de árvore de decisão. .................................................................................. 44
Figura 4-2: Árvore de decisão completa do problema. ................................................................. 47
Figura 4-3: Árvore de decisão ótima do problema. ...................................................................... 48
Figura 4-4: Gráfico de probabilidade. ........................................................................................... 49
Figura 4-5: Gráfico de probabilidade cumulativa. ........................................................................ 50
Figura 4-6: Árvore de decisão completa do problema. ................................................................. 54
XI
Figura 4-7: Árvore de decisão ótima do problema. ...................................................................... 55
Figura 4-8: Gráfico de probabilidade. ........................................................................................... 56
Figura 4-9: Gráfico de probabilidade cumulativa. ........................................................................ 57
Figura 4-10: Análise de sensibilidade unidirecional para a variável de preço do óleo. ................ 59
Figura 4-11: Gráfico da região de estratégia alterando a variável de preço do óleo. ................... 60
Figura 4-12: Gráfico de tornado. .................................................................................................. 61
Figura 4-13: Gráfico de radar. ...................................................................................................... 62
Figura 4-14: Análise de sensibilidade bidirecional. ...................................................................... 63
Figura 4-15: Região de estratégia bidirecional. ............................................................................ 64
XII
Índice de Tabelas
Tabela 2-1: Abordagem de cenário. Modificado de James A. Murtha (2008). .............................. 8
Tabela 3-1: Estimativa de riscos revisadas após primeiro poço perfurado. Modificado de
Newendorp (1975). ....................................................................................................................... 26
Tabela 3-2: Estimativa de riscos revisadas após primeiro poço perfurado. Modificado de
Newendorp (1975). ....................................................................................................................... 27
Tabela 3-3: Cálculos Bayesianos sequenciais. Modificado de Newendorp (1975). ..................... 28
Tabela 3-4: Análise de sensibilidade para o Caso 1. .................................................................... 38
Tabela 3-5: Análise de sensibilidade para o Caso 2. .................................................................... 40
Tabela 4-1: Local 1. ...................................................................................................................... 45
Tabela 4-2: Local 2. ...................................................................................................................... 46
Tabela 4-3: Local 3. ...................................................................................................................... 46
Tabela 4-4: Tabela de decisão. ...................................................................................................... 48
Tabela 4-5: Dados do gráfico. ....................................................................................................... 49
Tabela 4-6: Dados do gráfico. ....................................................................................................... 50
Tabela 4-7: Resumo estatístico. .................................................................................................... 51
Tabela 4-8: Dados de custos operacionais. ................................................................................... 52
Tabela 4-9: Dados de investimento de capital. ............................................................................. 52
Tabela 4-10: Probabilidades associadas a exploração sem sísmica. ............................................. 52
Tabela 4-11: Probabilidades associadas a exploração com sísmica. ............................................ 53
Tabela 4-12: Tabela de decisão..................................................................................................... 55
Tabela 4-13: Dados do gráfico. ..................................................................................................... 56
Tabela 4-14: Dados do gráfico. ..................................................................................................... 57
Tabela 4-15: Resumo estatístico. .................................................................................................. 58
1
1. Introdução
A exploração e produção de hidrocarbonetos é considerada uma tarefa bastante complexa por
se tratar de um empreendimento de alto risco. É grande o número de variáveis envolvidas no
processo e estas englobam desde conceitos geológicos como estrutura da formação, reservatório
e selo; até as avaliações econômicas da potencial lucratividade; como probabilidade de encontrar
e produzir efetivamente o reservatório, volume de hidrocarbonetos, e o preço de venda futuro do
produto. Por esse motivo, é extremamente importante o estudo das variáveis capazes de
influenciar o rendimento e eficiência dos processos que vão desde a prospecção até a produção,
dosando os riscos com a análise econômica.
A análise de risco apresenta como um dos principais objetivos, entre outros, a otimização do
investimento levando impreterivelmente em consideração as incertezas entrelaçadas dos modelos
geológicos e econômicos. A ferramenta utilizada como base de tal processo é a árvore de
decisões aplicada com teorema de Bayes, uma vez que permite a análise de seu comportamento e
possibilita a simulação com diferentes cenários impostos. É importante observar que, devido ao
alto risco envolvido na exploração de petróleo, é necessário avaliar as decisões associadas a qual
fração de seu orçamento deve ser comprometida com uma dada oportunidade de exploração.
Em diversas ocasiões surgirão algumas soluções apropriadas para determinado caso, mas
sempre haverá a escolha ótima que, dentre todas, minimiza os custos e os riscos garantindo a
produtividade e rentabilidade do projeto. Dessa forma, a combinação do conhecimento, nas
áreas econômica e técnica, é a chave para um profissional tomar a melhor decisão para seu
projeto.
1.1. Contexto
O presente trabalho está sendo elaborado em um momento em que a análise de riscos de
projetos de E&P de óleo e gás, ganha a cada dia maior importância, e no qual softwares estão
cada vez mais integrados, acrescentando grande avanço tecnológico. Por outro lado, esta forma
de proceder pode ocasionar o desenvolvimento de uma visão demasiadamente simplificada das
diversas fases que constituem a análise econômica. Este trabalho torna-se necessário para
2
proporcionar entendimento entre o embasamento teórico e prático das atividades que podem ser
realizadas com estes softwares que constituem uma ferramenta de suma importância para análise
de riscos.
1.2. Objetivo
Disposto a criar um texto abrangente que possibilite fundamentação teórica das técnicas que
estarão sendo aplicadas, esta monografia compreende desde conceitos básicos à resolução de
problemas específicos. O objetivo deste trabalho é realizar a análise de riscos de projetos de
exploração e produção de óleo e gás através de diferentes estudos de casos. Diferentes cenários
serão explorados e serão utilizados softwares como @Risk, PrecisionTree e Excel para a devida
resolução. Ao final, espera-se obter compreensão suficiente para identificar o melhor curso de
ação.
1.3. Organização do Texto
O presente trabalho encontra-se dividido em quatro capítulos, onde o primeiro capítulo
compreende a introdução, a motivação e o objetivo. Além de apresentar uma revisão da
literatura, o capítulo inicial realça a importância da análise de riscos em projetos de exploração e
produção de óleo e gás, com o intuito de embasar esta monografia.
No capítulo dois, define-se os termos risco e incerteza e ilustra-se o uso desses termos com
exemplos de situações cotidianas. Similarmente, é introduzido o conceito de modelos
estocásticos, abordagens determinística e de cenários, assim como suas diferenças. Ainda, é
apresentado o diagrama de tornado e sua finalidade.
O capítulo três é sobre o teorema de Bayes, desenvolvido por Thomas Bayes (1701 – 1761)
em seu estudo da teoria da lógica e do raciocínio indutivo. O capítulo ilustra a base matemática
para relacionar o grau em que uma observação, ou uma nova informação, confirma várias causas
hipotéticas ou estados de natureza.
O capítulo quatro aborda a importância da árvore de decisão. Ele evidencia a poderosa
ferramenta na tomada de decisões e aplicabilidade em situações com diversas possibilidades
futuras em múltiplos cenários. Além dos conceitos teóricos, serão apresentados estudos de casos
3
que fundamentam a aplicação da árvore de decisões. O capítulo também ilustra o desempenho da
análise de sensibilidade e aborda como tomar decisões comparando as distribuições de
probabilidade.
4
2. Análise de Risco
2.1 Preâmbulo
As palavras risco e incerteza vão aparecer com frequência nesse trabalho. Contudo, as
opiniões divergem muito com relação às definições desses termos, especialmente de risco. De
fato, é mais provável que você encontre definições de “preferência de risco” ou “aversão ao
risco” ou “decisões sob incerteza” e outras formas combinadas do que você encontrar definições
diretas de risco e incerteza.
Segundo o dicionário Cambridge,
Risco é “Perigo, ou possibilidade de perigo, derrota ou perda”. [10]
Incerteza é “Situação na qual algo não é conhecido, ou algo que não é conhecido
ou certo”. [12]
Neste trabalho, os termos incerteza e risco serão utilizados para referir-se aos resultados
(e suas implicações) de algum evento futuro. Incerteza vai descrever e referir-se à gama de
possíveis resultados. Risco será reservado para descrever os potenciais ganhos e perdas
associados a resultados específicos.
Antes de um prospecto ser explorado, tem-se que estimar os vários custos, despesas e os
potenciais benefícios. É necessário um cronograma de investimento e produção, e o cálculo de
medidas de sucesso que permitem a comparação com projetos concorrentes. Para chegar a uma
estimativa, você deve começar com um levantamento de custos operacionais de outros poços que
sua empresa operou recentemente. Nesse caso, você deveria também analisar as tendências no
custo dos serviços, no nível de uso operacional e nas mudanças no ambiente (político e
econômico). Se a sua estimativa ficar aquém do desejado, a penalidade pode ser a redução no
lucro antecipado para o projeto.
O exemplo foca nos eventos que estão por vir (por exemplo, recebimento de faturas),
envolvendo alguma medida quantitativa (por exemplo, despesas anuais de operação). Existem
dados históricos (por exemplo, faturas antigas) que podem ser quantificadas (por exemplo,
encontrando o valor mínimo, o valor máximo), mas o valor exato da variável é incerto. O
trabalho na análise de risco é estimar esse valor desconhecido. Existem desvantagens em uma
5
estimativa ruim. Subestimar pode resultar numa falta de dinheiro para outras atividades
planejadas. Superestimar pode resultar em uma perda de oportunidade para outros investimentos.
Então, risco é um potencial ganho ou perda e suas consequências associadas com uma estimativa
de algum evento futuro desconhecido. Geralmente, descrever o intervalo de possíveis resultados
– e suas consequências – é o objetivo da análise de risco.
2.2 Aplicabilidade
Análise de risco é uma atividade orientada ao futuro. É uma tentativa de prever eventos
que estão por vir e também de quantificar o desconhecido. Uma das principais razões de se fazer
a análise de risco é comparar alternativas de investimento. Corporações, bancos e investidores
têm interesse nos potenciais benefícios de cada investimento que eles consideram fazer. A título
de exemplo, se você investir num certificado de depósito, você sabe o que vai ganhar em troca. O
mesmo investimento no mercado de ações traz incertezas. Você pode perder dinheiro, assim
como ganhar dinheiro.
Investir em um projeto de exploração de perfuração ou de injeção de água é um
empreendimento arriscado. Antes de investir, você quer ter uma ideia dos potenciais resultados e
seus possíveis valores. Assim, você pode acessar o risco. A análise de risco combina os
princípios de probabilidade e estatística com fontes de dados e opiniões de especialistas para
tentar quantificar a incerteza e o risco associado com a oportunidade de investimento.
Sempre que um campo de óleo e gás é leiloado ou transferido, alguém tem que estimar
um valor para ele. Um campo que produziu 23.000 barris de óleo nos seus cinco primeiros anos
tem potencial para uma futura produção assim como para futuros gastos (royalties, operações,
intervenções, abandono). Juntos, esses componentes formam o valor presente do poço. Um
engenheiro pode examinar o histórico de produção e fazer uma previsão da produção, que pode
ser convertida em previsões econômicas. Se este engenheiro estiver familiarizado com os
princípios da análise de risco, este pode fazer previsões que ajustem a incerteza. Portanto, ao
invés de prever a produção de 1250 barris no próximo ano, a previsão de produção pode ser “...
entre 1000 e 1400 barris de óleo, sendo que 1250 barris é o caso mais provável e com 10% de
chance de produzir menos do que 1100 barris”.
6
Um dos principais usos da análise de risco é para a comparação de duas ou mais
alternativas de investimento dentro de uma corporação ou para investidores. Qual investimento
tem o maior risco? Qual tem o maior potencial de ganho no investimento? Planejar o orçamento
envolve a seleção de alguns projetos entre várias possibilidades. Boas decisões requerem a
análise de intervalos de possíveis resultados e suas implicações.
2.3 Modelos da análise de risco na indústria de óleo e gás
Com o propósito de quantificar a incerteza associada à descoberta de hidrocarbonetos, os
exploracionistas se concentram na análise da bacia ou na análise de fases de exploração. Para um
dado prospecto, estimam-se a probabilidade de um reservatório e trapa adequados, e a
proximidade de material termicamente maduro. Posteriormente, estimam-se as reservas e os
fluxos de caixa associados.
Os engenheiros de perfuração examinam o histórico de dados não apenas para estimar
custos normais de operação, como também quantificar o risco de problemas com tubulações,
perda de circulação, blowouts e outros possíveis problemas encontrados durante a perfuração de
um poço. Os engenheiros de reservatórios e de produção simulam tamanhos de campo, índices
de produtividade, taxas de declínio, preços e custos operacionais e de desenvolvimento, e são
capazes de estimar os cronogramas e o investimento de capital exigido.
Além das diferenças entre áreas de atuação, existem diferenças situacionais significativas.
Por exemplo, engenheiros de perfuração preocupam-se com questões diferentes de outros
engenheiros de perfuração dependendo de suas localizações geográficas. Exploracionistas em
ambientes offshore têm restrições de instalações nas plataformas, de profundidade de lâmina
d’água e rotas de navegação. Engenheiros de reservatório e de produção estão mais preocupados
com os índices de produtividade do que com parâmetros do hidrocarboneto. Porém, o que todos
esses profissionais compartilham, quando se envolvem na análise de risco, é uma metodologia
que substitui um número por uma distribuição de probabilidade.
Identifica-se o modelo determinístico quando os modelos são restringidos para que cada
parâmetro assuma apenas um valor. Por outro lado, se acordado que os parâmetros sejam
representados por variáveis aleatórias ou distribuições de probabilidade, os modelos são
7
denominados como estocásticos ou probabilísticos. Observa-se o contraste entre essas duas
abordagens pela introdução de um passo intermediário, denominado de abordagem de cenário.
Dado o problema da estimativa volumétrica das reservas, apresenta-se uma equação
simplificada:
𝑁 = 𝐴 × ℎ × 𝑅
onde A é a área em acres (ac), h é netpay em pés (ft) e R é um fator de recuperação em barris por
acre-pé ou milhares de pés cúbicos por acre-pé (STB / ac-ft ou Mscf / ac-ft) que explica a
conversão de unidades, porosidade, saturação de óleo, volume de formação fator e eficiência de
recuperação.
2.3.1 A abordagem determinística
Considera-se que as melhores estimativas para A, h e R sejam de 300 ac, 25 ft e 200 STB
/ ac-ft. Consequentemente, a melhor estimativa para reservas é de 1,5 MMSTB. Esta é uma
afirmação determinista, uma vez que essa abordagem não nos fornece informações sobre a
probabilidade de as reservas serem inferiores a 1,0 MMSTB ou superiores a 2,0 MMSTB, por
exemplo. Em outras palavras, tudo que pode ser afirmado por essa abordagem é que a estimativa
mais provável é de 1,5 MMSTB, como mostra a figura 2-1.
Figura 2-1: Diagrama de modelo determinístico. Modificado de James A. Murtha (2008).
2.3.2 A abordagem de cenário
Um método otimizado é estabelecer os piores, mais prováveis e melhores cenários
possíveis. Observa-se na tabela 2-1 que, ao atribuir três valores a cada parâmetro, serão gerados
três valores para reservas. O processo é ilustrado na figura 2-2.
8
Tabela 2-1: Abordagem de cenário. Modificado de James A. Murtha (2008).
Parâmetro/unidade Pior Mais Provável Melhor
A (ac) 150 300 450
h (ft) 15 25 35
R (STB/ac-ft) 100 200 300
Reservas, MMSTB 0.225 1.5 4.725
Figura 2-2: Diagrama de modelo de cenário. Modificado de James A. Murtha (2008).
Ao considerar estas três possibilidades, torna-se mais visível o leque de possibilidades de
reservas. Além disso, a abordagem de cenário não possui nenhum mecanismo para descrever as
possibilidades de resultados entre os três casos de pior, melhor e mais provável. Tendo em vista a
insuficiência de informações essenciais na abordagem de cenário, faz-se necessário o uso da
abordagem estocástica.
2.3.3 A abordagem estocástica
Na abordagem estocástica, trata-se cada parâmetro como uma variável aleatória.
Contrariamente às outras abordagens, considera-se A uma variável aleatória normalmente
distribuída com média de 300 ac e desvio padrão 50 ac, e h normalmente distribuída com média
de 25 pés e desvio padrão de 5 pés. De forma similar, o fator de recuperação é uniformemente
distribuído na faixa de 100 a 300 STB / ac-ft.
O cálculo das estimativas para reservas não é tão simples nesta abordagem, tornando-se
necessário executar uma simulação de Monte Carlo. Em resumo, um valor para cada uma dessas
três variáveis é aleatoriamente selecionado e assim, calculado o produto para obter uma
estimativa de reserva. Esse processo é repetido por centenas ou milhares de vezes e todos os
resultados são armazenados para posteriormente serem exibidos na forma de um histograma.
9
Assim, pode-se estimar a probabilidade de as reservas serem pelo menos tão grandes quanto
qualquer valor dado, ou também, a probabilidade de que as reservas caiam em um determinado
intervalo de valores. A figura 2-3 ilustra o processo.
Figura 2-3: Diagrama de simulação simples de Monte Carlo. Modificado de James A. Murtha (2008).
Para relatar o resultado do cálculo do modelo determinístico, foi necessário apenas ser
fornecido um número para reservas ou N. Para relatar o cálculo para um modelo estocástico, foi
necessário realizar a simulação e elaborar um histograma dos resultados. A interpretação de
resultados e a incorporação de distribuições de probabilidade para os parâmetros são
fundamentais para entendimento da essência da análise de risco.
A equação simples utilizada para ilustrar diferentes métodos de estimativa de reservas é
um exemplo de modelo. Grande parte dos modelos possui em comum a exigência de valores de
entrada para os parâmetros em suas equações. Os próximos tópicos oferecem uma consciência da
infinidade de possibilidades disponíveis para incorporação à análise de risco em seus modelos.
2.3.4 Risco de Exploração
10
Os riscos geológicos estão associados à existência de hidrocarbonetos na região
explorada. No caso de um prospecto de armadilha (trapa) estrutural, as probabilidades podem ser
atribuídas a cada um dos parâmetros listados a seguir. Ao contrário de outros modelos, esses
parâmetros não são arriscados e cada uma dessas variáveis recebe um valor único e mais
provável. O motivo pelo qual se atribui um único valor é que, normalmente, poucas informações
estão disponíveis no momento em que as estimativas são feitas. Contudo, o risco é
frequentemente útil em áreas de fronteira, uma vez que a avaliação pode nos ajudar a decidir
onde investir mais dinheiro para obter mais informações. A probabilidade combinada pode ser
calculada através do produto desses números individuais.
• Existência de trapa
• Rocha de origem
• Maturação térmica
• Migração e tempo
• Reservatório
• Rocha selante
• Produtividade
O modelo descrito corresponde à seguinte equação:
𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝑎𝑐𝑢𝑚𝑢𝑙𝑎çã𝑜 𝑑𝑒 ℎ𝑖𝑑𝑟𝑜𝑐𝑎𝑟𝑏𝑜𝑛𝑒𝑡𝑜 = (𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑑𝑒 𝑑𝑒 𝑇𝑟𝑎𝑝𝑎) ×
(𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝑂𝑟𝑖𝑔𝑒𝑚) × … × (𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝑃𝑟𝑜𝑑𝑢𝑡𝑖𝑣𝑖𝑑𝑎𝑑𝑒)
Além dos riscos geológicos, os riscos durante a perfuração geram grandes preocupações
entre exploracionistas e engenheiros de perfuração.
2.3.5 Risco de perfuração
Os engenheiros de perfuração adquirem e analisam dados históricos com o objetivo de
quantificar o risco de problemas na tubulação, perda de circulação, blowouts e outros possíveis
problemas encontrados durante a perfuração de um poço. Os custos projetados para perfurar um
poço são separados em duas categorias, refletindo custos esperados e contingência: custos
planejados e custos de problemas. Outra categoria, chamada Mudança de Escopo, também se
torna relevante para contabilizar as despesas atribuídas às metas e atividades decididas enquanto
o poço estava sendo perfurado, o que foi além da meta original e do plano de perfuração.
11
Naturalmente, os engenheiros de perfuração também consideram a importante variável de
localização.
Custos normais (planejados)
As principais variáveis associadas aos custos de perfuração planejados são:
• Profundidade da lamina d’água [m]
• Profundidade total proposta [m]
• Programa de lama
• Programa de revestimento
• Ângulo máximo de poço
• Profundidade vertical verdadeira [m]
• Zonas anormalmente pressionadas
•Tamanho mínimo do poço [m]
Uma abordagem é examinar os dados históricos e procurar uma relação da forma
𝐶𝑢𝑠𝑡𝑜 = 𝑐0 × 𝑋𝑎 × 𝑌𝑏 × 𝑍𝑐 …
onde X, Y, Z, ... referem-se à profundidade da água, profundidade total, peso máximo da lama e
assim por diante. Esta abordagem utiliza regressão múltipla para estimar os parâmetros c0 e a, b,
c, .... Como no modelo de reservas simples, poderiam ser atribuídas variáveis aleatórias aos
parâmetros de entrada, X, Y, Z, - gerando as distribuições dos dados históricos. Essa abordagem
simplificada não considera a possível dependência entre as variáveis, para que não haja
interferências na análise de regressão.
Custos de Problemas Gerais
Um dos principais problemas e normalmente encontrado é a tubulação presa. As
principais variáveis associadas na estimativa da probabilidade de tubo preso podem ser
• Profundidade da lamina d’água [m]
• Ângulo do poço
• Tamanho do poço [m]
• Peso de lama
O modelo de custos de problemas gerais pode ser descrito de forma análoga ao modelo de
regressão para custos normais. Entre outros problemas concernentes a essa categoria, estão
inclusos blowouts, perda de circulação, múltiplos problemas de equipamento, tempo perdido à
espera de suprimentos e problemas relacionados ao cimento.
12
Problemas associados à localização de perfuração
Uma das principais preocupações relacionadas a um novo local de perfuração é a
acessibilidade. Por exemplo, pode-se relacionar esse problema ao tempo gasto no planejamento
das primeiras plataformas marítimas ou no trabalho pioneiro realizado antes da perfuração no
Alasca. Devido aos níveis de incerteza, diversos modelos devem ter envolvido variáveis
estocásticas. Além da acessibilidade, outros problemas que englobam de gás venenoso a
poluentes ambientais podem ser encontrados em locais específicos. Outro problema são os
grandes vazamentos e derramamentos de óleo que têm proporções mundiais. Mesmo problemas
aparentemente menores podem causar atrasos e orçamentos excessivos. A colisão de navios e
sondas de perfuração é um exemplo de um risco altamente especializado em ambiente offshore.
Inúmeros artigos e trabalhos técnicos foram dedicados a esse assunto. Esse é o caso de
problemas com uma probabilidade pequena porém com consequências devastadoras.
2.3.6 Risco de Produção
Tamanho do campo
A clássica equação volumétrica para estimar a quantidade de óleo acumulado em um
determinado local é
𝑂𝐼𝑃 = 7758 ×𝐴 ×ℎ×φ ×(1−Sw)
𝐵𝑜
Foi usada uma variação mais simples dessa equação. Juntando todos os termos, exceto A e h, e
incluindo uma eficiência de recuperação, para obter as reservas:
𝑅𝑒𝑠𝑒𝑟𝑣𝑎𝑠 = 𝐴 × ℎ × 𝑅
Além disso, pode-se estimar esses parâmetros para cada prospecto em uma bacia. Por
exemplo, se cada prospecto representa uma estrutura em uma bacia, poderiam ser atribuídos
distribuições de probabilidade individuais a cada parâmetro em cada estrutura.
Uma questão relacionada é a sequência na qual os prospectos são perfurados. Esta ordem
afeta o tempo para provar as reservas e os custos operacionais. Essa parte da modelagem se
sobrepõe aos riscos de Perfuração e Exploração.
Ainda, pode-se modelar a recuperação secundária e levar em consideração vários
parâmetros, como custos de perfuração de poços de injeção, instalações, materiais e produção
13
incremental. Embora a receita dessa produção incremental possa ser bastante significativa, a
receita é realizada no futuro distante. Não apenas a incerteza (de preços e despesas, por exemplo)
foi ampliada, mas o valor presente da receita e dos custos são substancialmente reduzidos pelo
tempo.
Caldwell e Heather (1991) apresentaram dois modelos alternativos para estimar reservas
em ambientes menos convencionais: reservatórios de metano em camadas de carvão e
reservatórios naturalmente fraturados perfurados por um poço horizontal.
No caso de um prospecto de metano em camadas de carvão, são consideradas estas
variáveis principais:
• Área (A) [m]
• Net pay (h) [m]
• Teor de gás (C) [%]
• Densidade (d) [kg/m³]
• Fator de recuperação (R) [%]
O modelo usado para essas reservas pode ser representado pela seguinte equação:
𝑅𝑒𝑠𝑒𝑟𝑣𝑎𝑠 = 𝐴 × ℎ × 𝐶 × 𝑑 × 𝑅
Para o caso de um poço horizontal em um reservatório naturalmente fraturado, são
consideradas estas variáveis para incorporar um modelo semelhante:
• Espaçamento das fraturas [m]
• Recuperação de fraturas [%]
• Comprimento do poço horizontal [m]
• Depleção de fraturas [%]
• Saturação de água [%]
Em ambos os casos, o modelo subjacente produz uma estimativa de reserva que é
simplesmente o produto de suas variáveis de entrada. Embora haja muito em comum nos
modelos de produtos, diferenças no tipo de distribuição (uniforme, triangular, normal, log-
normal) para os parâmetros de entrada levam a razoáveis diferenças nas saídas. De qualquer
modo, a distribuição de reservas tende a ter uma forma log-normal, devido ao fenômeno com
base no teorema do limite central.
Previsão de Produção
14
Dado que as reservas recuperáveis já tenham sido estimadas, torna-se imprescindível
estimar a rapidez com que o petróleo pode ser produzido. Para tal, são consideradas estas
variáveis principais:
• Número de poços
• Porcentagem de poços secos ou índice de sucesso [%]
• Área de drenagem ou recuperação por poço [m²]
• Índice de produtividade por poço [%]
• Restrições operacionais nas taxas de produção [%]
• Taxas iniciais de declínio [%]
• Taxas de abandono ou outras condições de abandono [%]
• Preços de produtos [R$]
Um dos modelos de previsão de produção mais comuns é a curva de declínio
exponencial, representada pela fórmula abaixo:
𝑞 = 𝑞𝑖𝑒(−𝑎𝑡)
Os parâmetros qi e a representam a produção inicial e a taxa de declínio, respectivamente.
Ao tratar esses dois parâmetros como distribuições de probabilidade, em vez de simplesmente
valores fixos, é possível converter este modelo determinístico em um modelo estocástico. A
curva de declínio determinista usual dá origem a um intervalo de possibilidades, como ilustrado
na figura 2-4. Observa-se que, a curva superior representa o melhor cenário; o fundo, o pior
cenário, e a curva do meio é o cenário mais provável.
15
Figura 2-4: Previsão probabilística do declínio de produção para um poço de óleo. Modificado de James A. Murtha (2008).
Custos de desenvolvimento, programação e despesas de produção
A exploração e o desenvolvimento de um campo, de óleo ou gás, são governados por
diversos fatores, como por exemplo:
• Custos de licitação e arrendamento [R$]
• Custos de perfuração [R$]
• Custos com poços secos [R$]
• Custos de completação [R$]
• Programação de perfuração e construção [R$]
• Necessidades de manutenção pressão de gás [R$]
• Eliminação de água [m³]
• Manutenção [R$]
E para campos offshore,
• Custos de instalações submarinas e plataformas [R$]
• Requisitos de instalações de tubulação e superfície [R$]
2.4 Estimativas de Risco
Agora, é necessário avaliar o risco para a corporação de se envolver em um projeto. Se
um projeto não for bem sucedido, ocorrerão perdas financeiras para a empresa e, se a perda for
16
grande, isso pode causar danos fiscais substanciais à corporação, inclusive a falência.
Consequentemente, a maioria das corporações limita seu potencial de perda definindo um valor
de tolerância ao risco. Esta quantia é usada para limitar as potenciais perdas, colocando mais
valor em ter uma fração menor do que 100% de um projeto; quanto mais arriscado o projeto,
menor a fração, ou seja, maior o custo relativo a potenciais ganhos e quanto menor a
probabilidade de sucesso, então maior é o risco de uma perda. Quando o valor de tolerância ao
risco é baixo, isso diz que a empresa tem aversão ao risco; quando esse valor é alto, a abordagem
ao risco é considerada neutra. Existem também perigos associados ao uso de valores irreais de
parâmetros no processo de análise de risco de exploração, como definir um fator de desconto
excessivamente alto, sendo muito pessimista na previsão de preços de cabeça de poço,
superestimando impostos ou custos de perfuração, e providenciando sísmicas adicionais
desnecessárias. Tais fatores podem tanto aumentar os custos esperados quanto diminuir os
ganhos esperados, assim como podem diminuir tanto o valor de um projeto que ele passaria a ser
economicamente inviável. As corporações que têm uma alta aversão ao risco geralmente tendem
a se concentrar apenas em empreendimentos de reservas pequenas, ignoram o fator de
alavancagem de inúmeros projetos, e optam automaticamente por não ter interesse em qualquer
ganho, por mais que seja alto, que não siga suas regras.
Uma análise de risco completa para um projeto envolve algumas considerações de
balanceamento de portfólio. Duas condições estão em vigor quando tratamos desse assunto:
Um conjunto de projetos deve ser avaliado simultaneamente e classificado de alguma
forma, para maximizar os potenciais ganhos para a corporação em relação aos custos
totais e aos custos por projeto;
A maioria das corporações tem um ciclo fixo de orçamento, de modo que uma
seleção de potenciais oportunidades é avaliada por risco em relação a um orçamento
fixo ou, como o orçamento está sendo constantemente gasto, cada projeto é avaliado
por risco em relação ao orçamento residual.
A figura 2-5 esboça como a interação das preocupações geológicas e econômicas
influencia a viabilidade comercial de um projeto.
É possível existir um grau de interesse em um projeto arriscado mesmo quando a tolerância a
riscos da corporação é baixa. O grau de interesse zero é o limite inferior e 100% de grau de
interesse é o limite superior. Em algum ponto entre estes dois extremos, existe um grau de
interesse ideal que depende dos parâmetros do projeto (probabilidade de sucesso, ganhos
estimados e custos estimados) e da tolerância a riscos da corporação.
17
Figura 2-5: Esboço que ilustra como a interação de fatores geológicos do acaso junto ao risco econômico limita a capacidade
de ser comercialmente bem-sucedido na produção de hidrocarbonetos. Modificado de Ian Lerche e James A. MacKay (1999).
2.5 Análise de Sensibilidade
O último passo para uma melhor análise de risco é determinar quão sensíveis as métricas
de decisão (payoffs) são às mudanças nas estimativas de entradas ou premissas, particularmente
com relação a quantidades e variáveis incertas sobre as quais se tem escolha (por exemplo,
números de poços).
18
A metodologia possui um valor de entrada que pode ser dividido em três categorias
principais. A primeira categoria é a atribuição subjetiva de como se percebe o valor. Por
exemplo, não é possível inequivocamente atribuir pesos a objetivos ou especificar o valor das
funções. A segunda categoria está relacionada às informações usadas para calcular os payoffs
(por exemplo, porosidade, preço do petróleo, velocidade da sísmica e relação gás/óleo). Muitas
dessas informações são incertas, quantificadas por medição objetiva ou avaliação subjetiva. A
terceira categoria refere-se a parâmetros cujos valores pode-se escolher (por exemplo, número de
poços, capacidade de processamento ou diâmetro do pipeline).
Um ponto importante é: “Qual a precisão necessária para essas entradas?” Para responder
essa questão é preciso avaliar até que ponto a decisão final é sensível às mudanças nessas
entradas. Se a decisão for pouco sensível a uma entrada específica, ela não precisará ser
quantificada com mais precisão. Por outro lado, se a decisão for sensível a uma entrada, o
seguinte pode ser considerado:
Se for do tipo de valor, é necessário pensar o que é mais importante para o caso.
Se for do tipo informativo, é preciso avaliar com mais precisão, projetar planos para
lidar com as consequências e tentar reduzir a incerteza.
Se for do tipo escolha, pode-se querer encontrar o valor que otimiza o valor geral da
decisão.
A análise de sensibilidade pode ser feita de várias formas. O restante desta seção
descreve uma abordagem muito comum e ilustra sua aplicação aos três tipos de quantidade
descritos anteriormente. A abordagem é baseada no princípio de alterar os valores de entradas
um de cada vez e observar os impactos resultantes nas variáveis de saída, o que requer acesso a
um modelo quantitativo que calcula os valores dos payoffs das variáveis de entrada. As
principais diferenças desse método para outros estão em como os resultados são exibidos e se
estão sendo avaliados os efeitos de um único valor de entrada em múltiplos payoffs ou vice-
versa.
Gráficos de Tornado - Objetivo único, Incertezas múltiplas. A primeira abordagem é
usada para avaliar a sensibilidade de uma variável de saída única a mudanças em múltiplas
entradas. Isso pode ser usado para ajudar a identificar dois tipos de fatores de decisão:
Uncertainty drivers e Value Levers.
Uncertainty drivers. São as variáveis de entrada do modelo de incerteza que têm o
maior impacto nos payoffs. Identificar essas variáveis é útil por dois motivos
principais:
19
o É uma técnica rápida que permite testar várias incertezas em um estágio
inicial para determinar quais devem ser incluídas na análise da árvore de
decisão ou ser avaliadas mais profundamente usando a simulação de Monte
Carlo.
o Podem fornecer evidências convincentes para direcionar os gastos em coleta
de dados adicionais ou alocação de pessoal para análise técnica.
Value Levers. São parâmetros de modelo cujos valores a equipe pode escolher e que
têm o maior impacto nos payoffs. Identificar essas variáveis é útil porque elas
fornecem informações sobre a questão de em quais delas a equipe deve se concentrar
em uma abordagem casuística ou em uma abordagem mais formal para aperfeiçoar o
valor da decisão.
O procedimento geral inclui várias etapas. Primeiro, selecionar as variáveis de entrada e o
payoff para os quais a análise de sensibilidade é necessária. Segundo, alterar as variáveis de
entrada, uma de cada vez, de um determinado valor (normalmente, 10% para mais e para menos)
e registrar o valor do payoff para cada alteração. Essa alteração reflete a sensibilidade do payoff
para com a entrada, porém, se os graus de incerteza não forem semelhantes, essa alteração pode
ser enganosa em termos de identificar quais variáveis são as variáveis de entrada mais
importantes. Um esquema melhor é pegar como referência as alterações de uma avaliação das
distribuições de probabilidade das variáveis de entrada. As variáveis de entrada são então
classificadas em ordem decrescente de impacto no payoff, sendo o impacto calculado como a
diferença de valor absoluto no payoff para as alterações de mais ou de menos. Usando o valor
inicial (antes da análise de sensibilidade) do payoff como um ponto central, as alterações em seu
valor são plotadas em um gráfico de barras em ordem decrescente de impacto, como mostrado na
figura 2-6a, que ilustra a abordagem aplicada a uma decisão de desenvolvimento de um campo
com VPL como payoff.
A figura 2-6a indica que o VPL do modelo é mais sensível a mudanças na área do
reservatório, seguido por porosidade e menos sensível ao custo da plataforma, e tem o valor de
aproximadamente US$ 550 milhões. As primeiras variáveis são candidatas a uma avaliação mais
rigorosa de sua incerteza, como a inclusão na análise de árvore de decisão; qualquer outra coleta
ou análise de dados deve se concentrar na redução de sua incerteza ou no gerenciamento de seus
impactos.
A figura 2-6b mostra o mesmo tipo de análise aplicado às principais variáveis de escolha.
O VPL é mostrado como sendo mais sensível ao tamanho da plataforma, ao número de poços e à
20
capacidade da instalação. Essas variáveis devem ser buscadas para otimizar o valor geral da
decisão.
Figura 2-6: Gráfico de tornado de sensibilidade para identificar os principais uncertainty drivers e value levers. Modificado de
Bratvold e Begg (2010).
Figura 2-7: Gráfico de Tornado mostrando a direção das sensibilidades e o Gráfico de Radar. Modificado de Bratvold e Begg
(2010).
É preciso saber quais são as variações direcionais corretas das sensibilidades para
interpretar esses gráficos. Por exemplo, conforme a área aumenta, o VPL aumenta. No entanto, à
medida que o custo do poço aumenta, o VPL diminui (neste exemplo, um aumento de 10% no
custo do poço induz uma redução de aproximadamente US$ 50 milhões). O efeito de qualquer
agregação ou divisão das variáveis de sensibilidade também deve ser contabilizado.
Existem muitas variações possíveis para o gráfico de tornado padrão. Uma delas é
subtrair o valor inicial do payoff para tornar a linha de centro zero, tornando assim mais fácil ver
as quantias reais em dólares da sensibilidade. Outra é colorir as barras para mostrar a direção da
21
sensibilidade. Ambas as variações estão ilustradas na figura 2-7a. Uma maneira alternativa de
exibir a informação é como um gráfico de radar, como mostrado na figura 2-7b. Quanto mais
inclinada à linha, mais sensível é o payoff para com a variável. As inclinações das linhas no
gráfico de radar não precisam ser nem simétricas em relação ao ponto zero nem lineares.
Diferentes inclinações indicam que a sensibilidade é diferente para mudanças positivas e
negativas em uma variável.
22
3. Teorema de Bayes
3.1 Preâmbulo
Nesta seção, a atenção será direcionada para a determinação da probabilidade da
ocorrência de vários possíveis resultados para uma decisão. Será estudada a Análise Bayesiana,
que é um método estatístico usado para revisar as estimativas de probabilidade a partir de novas
informações. Revisar ou reavaliar as estimativas iniciais de probabilidade (risco) assim que
novas informações tornam-se disponíveis são de grande importância para a tomada de decisão
(aceitar ou rejeitar o projeto). A base fundamental para a Análise Bayesiana é um teorema
desenvolvido pelo pastor e matemático inglês, Thomas Bayes, que é apropriadamente chamado
de Teorema de Bayes. Nessa mesma seção, também será discutido o VoI (Valor da Informação)
como um meio de colocar um valor nessa capacidade de reunir novas informações e atualizar
probabilidades.
A análise de decisão ajuda a distinguir entre coleta de informações construtiva e
desperdício. Os engenheiros de petróleo e geocientistas, muitas vezes, coletam informações para
ajudar a avaliar o evento primário de interesse. É necessário frequentemente atualizar as
probabilidades sobre os possíveis resultados de eventos incertos à luz de novas informações. Por
exemplo, como uma estimativa inicial da chance de sucesso em um programa de perfuração deve
ser atualizada com os resultados dos primeiros poços perfurados? Ou, como a probabilidade do
OIP ser alto deve ser atualizada com o resultado da perfuração de um poço de avaliação? Tais
perguntas podem ser respondidas aplicando o teorema de Bayes.
3.2 Teoria e Aplicabilidade
Sejam E1, E2, …, EN eventos mutuamente excludentes e exaustivos, e seja B um evento no
qual conhecemos as probabilidades absolutas P(E1) e também as probabilidades condicionadas
P(B|E1) de B, dado E1. A probabilidade condicional P(E1|B) de qualquer evento E1, dado B, pode
ser calculada com a seguinte equação:
23
𝑃(E1|B)=
𝑃(𝐵|E1) P(E1)
∑ [𝑃(𝐵|E1) P(E1𝑁𝑖=1 )]
𝑐𝑜𝑚 𝑖 = 1, 2, … , 𝑁
(3.1)
Uma explicação para esse teorema é que tendo o exploracionista definido uma lista de
possíveis eventos, ou estados de natureza: E1, E2, …, EN. Supondo ainda que ele tenha
inicialmente estimado probabilidades ou possibilidades de ocorrência para cada um desses
estados hipotéticos da natureza: P(E1), P(E2), P(E3),…, P(EN). Em outras palavras, ele sente que
há uma probabilidade P(E1) de (E1) ocorrendo, uma probabilidade de P(E2) que E2 ocorrerá etc.
Os termos P(E1) são as estimativas de risco originais e, às vezes, são chamados de probabilidades
a priori.
Em seguida, supondo que o evento B será definido como a ocorrência de algum novo bit
de informação que daria uma ideia adicional sobre a validade de suas estimativas de
probabilidade originais. Dadas as novas informações do evento B, o Teorema de Bayes é usado
para calcular novas avaliações das possibilidades de ocorrência dos estados da natureza. Ou seja,
é uma tentativa de determinar um novo valor de P(E1|B); ou um novo valor P(E2|B); A equação
3.1 é uma fórmula para computar estas novas avaliações (probabilidades revistas, ou
probabilidades a posteriori) baseadas no conhecimento das probabilidades condicionais das
evidências que ocorrem, dados os estados hipotéticos da natureza.
Portanto, os termos P(E1), P(E2),..., P(EN) são as estimativas de risco originais e os termos
P(E1|B), P(E2|B),…, P(EN|B), são as estimativas de risco revisadas após a evidência do evento B
considerado. Refletindo o fato de que não é possível determinar o estado de natureza da
tentativa, temos que as estimativas de risco originais não são zero ou um. Por esse motivo, as
decisões de exploração são chamadas decisões sob incerteza. Todo o propósito de usar o
Teorema de Bayes é tentar identificar o verdadeiro estado de natureza das novas informações o
mais rápido possível, para que seja possível fazer quaisquer modificações que possam se tornar
necessárias nas estratégias de investimento corporativo.
Agora, será considerado um exemplo numérico simples. Supondo que foi feita uma
análise geológica e de engenharia de uma nova concessão offshore contendo 12 anomalias
sísmicas de tamanho aproximadamente igual. Mas não se tem certeza sobre quantas anomalias
conterão petróleo. Portanto, é formulada a hipótese de vários estados possíveis da natureza da
seguinte forma:
24
Estados de Natureza
(Termos Ei)
E1 {7 𝑎𝑛𝑜𝑚𝑎𝑙𝑖𝑎𝑠 𝑛ã𝑜 𝑐𝑜𝑛𝑡é𝑚 ó𝑙𝑒𝑜
5 𝑎𝑛𝑜𝑚𝑎𝑙𝑖𝑎𝑠 𝑐𝑜𝑛𝑡é𝑚 ó𝑙𝑒𝑜
E2 {9 𝑎𝑛𝑜𝑚𝑎𝑙𝑖𝑎𝑠 𝑛ã𝑜 𝑐𝑜𝑛𝑡é𝑚 ó𝑙𝑒𝑜
3 𝑎𝑛𝑜𝑚𝑎𝑙𝑖𝑎𝑠 𝑐𝑜𝑛𝑡é𝑚 ó𝑙𝑒𝑜
Então supondo que, com base na pouca informação disponível, o julgamento inicial é que
o estado de natureza E2 é duas vezes mais provável do que o estado de natureza E1. Logo, as
estimativas iniciais de risco serão iguais a P(E1) = 0,33 e P(E2) = 0,67.
Aqui, se as informações fossem perfeitas para indicar que E1 era a distribuição de
anomalias secas e produtivas, então P(E1) = 1,0 e P(E2) = 0. Ou, se as informações perfeitas
indicassem que E2 era o verdadeiro estado de natureza, então P(E1) = 0 e P(E2) = 1,0.
Decide-se perfurar um poço exploratório em uma das doze anomalias sísmicas e o
resultado deste foi um poço seco. E agora, o Teorema de Bayes será usado para que com essa
nova informação, as estimativas originais da probabilidade de cada um dos estados hipotéticos da
natureza sejam revisadas.
Até agora, as seguintes informações são relevantes para o problema: Estados de natureza
definidos como E1 e E2; as estimativas originais de risco são P(E1) = 0,33 e P(E2) = 0,67; e o
resultado do primeiro poço perfurado foi um poço seco. Esse será o evento B.
O próximo passo é calcular as probabilidades condicionais, dados os estados da natureza,
que a evidência B poderia ter ocorrido. Estes são os termos P(B|E1) no lado direito da equação
3.1. Agora é necessário calcular as probabilidades condicionais P(B|E1), que é a probabilidade de
que a primeira anomalia perfurada esteja seca se E1 for o verdadeiro estado de natureza, e
P(B|E2), que é a probabilidade de que a primeira anomalia perfurada esteja seca se E2 for o
verdadeiro estado de natureza.
Sabendo que E1 é o estado da natureza em que 7 anomalias são secas e 5 produtivas de
óleo. Assumindo que as anomalias são todas do mesmo tamanho, portanto, igualmente prováveis
25
de terem sido selecionadas no primeiro teste, a probabilidade do primeiro poço estar seco é de
7/12. Assim P(B|E1) = 7/12 = 0,58.
Pelo mesmo raciocínio, a probabilidade de um poço seco, se a concessão contiver 9
anomalias secas de 12, supondo que cada anomalia é igualmente provável de ser selecionada
para o primeiro teste, é 9/12. Assim P(B|E2) = 9/12 = 0,75.
Agora todos os termos necessários para resolver o teorema de Bayes estão declarados.
Então agora, será possível calcular P(E1|B), que é a probabilidade revisada de que E1 é o
verdadeiro estado da natureza, dada a evidência de um poço seco. Expandindo a equação 3.1:
𝑃(E1|𝐵)=𝑃(𝐵|E1) P(E1)
𝑃(𝐵|E1) P(E1) + 𝑃(𝐵|E2) P(E2)
𝑃(E1|𝐵)=(0,58) (0,33)
(0,58)(0,33) + (0,75)(0,67)= 0,28
E também, será possível calcular P(E2|B), que é probabilidade revisada de que E2 é o
verdadeiro estado da natureza, dada a evidência de um poço seco. Novamente expandindo a
equação 3.1:
𝑃(E2|𝐵)=𝑃(𝐵|E2) P(E2)
𝑃(𝐵|E1) P(E1) + 𝑃(𝐵|E2) P(E2)
𝑃(E2|𝐵)=(0,75) (0,67)
(0,58)(0,33) + (0,75)(0,67)= 0,72
Agora foi obtido um conjunto de estimativas de risco revisadas e atualizadas com base
nas informações recebidas do primeiro poço perfurado, como podemos ver na tabela 3-1.
26
Tabela 3-1: Estimativas de riscos revisadas após primeiro poço perfurado. Modificado de Newendorp (1975).
Em geral, as etapas necessárias em uma análise bayesiana podem ser listadas da seguinte
maneira. Primeiro passo é descrever os possíveis estados da natureza que podem existir. Os
cálculos da análise bayesiana usarão a nova informação para identificar qual dos estados
hipotéticos da natureza é realmente a fonte, ou a causa, da informação observada.
Deve-se atribuir uma possibilidade de ocorrência de cada estado de natureza, que serão os
termos P(E1). Essas probabilidades são as estimativas de risco originais ou a priori. Assim que
houver alguma nova informação ou evidência, as probabilidades condicionais de que a evidência
poderia ter ocorrido deverão ser computadas, dados os vários estados da natureza. Finalmente,
pode-se calcular as estimativas de risco revisadas usando o teorema e as probabilidades que
acabaram de ser calculadas.
Uma forma de obter a solução completa do Teorema de Bayes é executar um cálculo
padrão de cinco colunas. Usando a nomenclatura geral do teorema, a tabela de colunas apareceria
como na tabela 3-2.
O Teorema de Bayes também pode ser usado para obter informações adicionais antes da
seleção final de uma estratégia de decisão gerencial. O processo cíclico de obtenção de
informações, revisão de probabilidades, obtenção de mais informações, revisão das
probabilidades, ..., é chamado amostragem sequencial.
Estado de Natureza
Risco
original
estimado
Risco revisado estimado,
baseado na nova
informação, o evento B
Designação
E1 {7 𝑎𝑛𝑜𝑚𝑎𝑙𝑖𝑎𝑠 𝑛ã𝑜 𝑐𝑜𝑛𝑡é𝑚 ó𝑙𝑒𝑜
5 𝑎𝑛𝑜𝑚𝑎𝑙𝑖𝑎𝑠 𝑐𝑜𝑛𝑡é𝑚 ó𝑙𝑒𝑜
P(E1) = 0,33
P(E1|B) = 0,28
Otimista
E2 {9 𝑎𝑛𝑜𝑚𝑎𝑙𝑖𝑎𝑠 𝑛ã𝑜 𝑐𝑜𝑛𝑡é𝑚 ó𝑙𝑒𝑜
3 𝑎𝑛𝑜𝑚𝑎𝑙𝑖𝑎𝑠 𝑐𝑜𝑛𝑡é𝑚 ó𝑙𝑒𝑜
P(E2) = 0,67 𝑃(E2|𝐵) = 0,72 Pessimista
27
Tabela 3-2: Estimativas de riscos revisadas após primeiro poço perfurado. Modificado de Newendorp (1975).
Estado de Natureza
Risco original estimado
Probabilidade Condicional:
Probabilidade conjunta
Risco revisado estimado
E1 P(E1) P(B|E1) P(B|E1) P(E1) P(E1|B) E2 P(E2) P(B|E2) P(B|E2) P(E2) P(E2|B) E3 P(E3) P(B|E3) P(B|E3) P(E3) P(E3|B) . . . . . . . . . . . . . . .
EN P(𝐸𝑁) P(B|EN) P(B|𝐸𝑁) P(𝐸𝑁)
∑ P(B|𝐸𝑖) P(𝐸𝑖)𝑁𝑖=1
P(𝐸𝑁|B)
Para ilustrar, é preciso recordar do exemplo citado anteriormente, em que os estados
desconhecidos da natureza eram distribuições de anomalias produtivas e secas, onde o estado de
natureza E1, que contém 7 anomalias sem óleo e 5 anomalias com óleo, tem P(E1) = 0,33 e o
estado de natureza E2, que contém 9 anomalias sem óleo e 3 anomalias com óleo, tem P(E2) =
0,67. Supondo que, como resultado de uma análise econômica separada, tenha sido determinado
que a lucratividade geral da concessão seria aceitável se E1 existir e seria inaceitável se E2 for a
distribuição de anomalias secas e produtivas. Em virtude das estimativas iniciais de risco, parece
que, antes da perfuração, a concessão não é lucrativa. Mas pode ser desejável para a
administração adiar uma decisão final sobre o desenvolvimento da concessão até que os
resultados de um ou dois poços sejam conhecidos.
Anteriormente, as probabilidades revisadas foram calculadas após a primeira anomalia
testada ter retornado um poço seco com P(E1|B) = 0,28 e P(E2|B) = 0,72. Supondo que tenha sido
decidido adiar novamente a decisão final em relação ao desenvolvimento completo até que uma
anomalia adicional tenha sido testada. Assim, um segundo poço exploratório é perfurado em uma
das onze anomalias sísmicas não testadas restantes e, para o exemplo, supõe-se que ele também
esteja seco. Agora, a administração se depara com a questão de prosseguir com o
desenvolvimento em escala total da concessão ou renunciar aos direitos de perfuração e tentar
encontrar petróleo em outro lugar.
Novas informações são mostradas com os resultados do segundo poço. O Teorema de
Bayes pode ser usado para calcular novas estimativas de risco atualizadas no contexto da
amostragem sequencial. A única diferença é que as probabilidades “originais” para o segundo
cálculo bayesiano serão as estimativas de risco revisadas calculadas após a primeira anomalia ser
28
testada. As probabilidades condicionais da segunda anomalia sendo seca são calculadas da
seguinte forma, lembrando que, agora, B é o resultado do segundo poço exploratório:
- P(B|E1): Estado de natureza E1 originalmente tinha sete anomalias secas e cinco
anomalias produtivas. Uma anomalia já havia sido testada e retornado um poço seco;
assim, quando a segunda anomalia foi perfurada, esperava-se que seis das 11 anomalias
não testadas restantes estivessem secas. Supondo que cada uma das anomalias tivesse a
mesma probabilidade de ter sido selecionada para o segundo poço, a probabilidade de
um poço seco é de 6/11. P(B|E1) = 6/11 = 0,545.
- P(B|E2): Pelo mesmo raciocínio, o estado de natureza E2 continha 11 anomalias não
testadas quando a segunda localização do poço foi selecionada, das quais oito deveriam
estar secas. Portanto, P(B|E2) = 8/11 = 0,727.
Os segundos cálculos Bayesianos sequenciais são feitos da seguinte maneira:
Tabela 3-3: Cálculos Bayesianos sequenciais. Modificado de Newendorp (1975).
Estado de Natureza Risco
original estimado*
Probabilidade Condicional:
Probabilidade Conjunta
Risco revisado estimado
E1{7 𝑎𝑛𝑜𝑚𝑎𝑙𝑖𝑎𝑠 𝑛ã𝑜 𝑐𝑜𝑛𝑡é𝑚 ó𝑙𝑒𝑜
5 𝑎𝑛𝑜𝑚𝑎𝑙𝑖𝑎𝑠 𝑐𝑜𝑛𝑡é𝑚 ó𝑙𝑒𝑜
0,28 0,545 0,153 0,226
E2{9 𝑎𝑛𝑜𝑚𝑎𝑙𝑖𝑎𝑠 𝑛ã𝑜 𝑐𝑜𝑛𝑡é𝑚 ó𝑙𝑒𝑜
3 𝑎𝑛𝑜𝑚𝑎𝑙𝑖𝑎𝑠 𝑐𝑜𝑛𝑡é𝑚 ó𝑙𝑒𝑜
0,72 0,727
0,523
0,676 0,774
* As estimativas de risco originais da coluna dois são as probabilidades revisadas calculadas para o evento B anterior
após apenas uma anomalia ter sido testada
As probabilidades revisadas da quinta coluna (Risco revisado estimado) representam as
estimativas de risco atualizadas com base nas informações obtidas dos dois poços perfurados até
o momento e os julgamentos iniciais da probabilidade de ocorrência de cada estado de natureza.
Estas são as novas estimativas de risco que a gerência usaria para tomar a decisão final sobre o
desenvolvimento da concessão.
As estimativas de risco revisadas da amostra anterior, após cada cálculo sequencial,
tornam-se estimativas de risco originais para o próximo cálculo. A análise Bayesiana pode ser
continuada até que uma estratégia de gerenciamento se torne aparente ou então os custos da
amostragem adicional excedam os custos da incerteza.
29
Evidentemente, uma estratégia “correta” resultaria do conhecimento do verdadeiro estado
da natureza. Isso ocorre quando as probabilidades revisadas de um dos estados de natureza se
aproximam de um. A avaliação dos custos da amostragem adicional em relação aos custos da
incerteza pode ser feita com um cálculo de perda de oportunidade esperada.
Um ponto seria perguntar quantas anomalias teriam que ser avaliadas no problema do
exemplo antes que seja possível identificar o verdadeiro estado de natureza. Em geral, questões
desse tipo são difíceis de responder por que muitos fatores se baseiam nessa questão, como por
exemplo: as estimativas iniciais de risco antes da primeira amostra, o tipo de processo que gera
os resultados da amostra, a descrição dos estados de natureza e por fim, a sequência de resultados
observados.
A análise bayesiana sequencial pode ser usada para determinar por quanto tempo
permanecer em um projeto de exploração. Por exemplo, sem dúvida quer-se descrever os
possíveis estados de natureza em termos de perspectivas secas e perspectivas com vários níveis
de reservas recuperáveis. Isso seria para explicar o fato de que nem todas as anomalias produzem
as mesmas quantidades de petróleo. Também é necessário definir mais do que apenas duas
distribuições possíveis de como o petróleo é distribuído nos prospectos identificáveis.
No balanço final, a análise bayesiana fornece muitos insights valiosos para a análise de
risco. Na exploração do petróleo, praticamente todas as decisões sobre estimativas de risco,
subjetivas ou não, envolvem o uso do Teorema de Bayes.
3.3 Valor da Informação
Conseguir informações de alguma forma é a maior parte do trabalho feito por um
engenheiro de petróleo ou geocientista. Cobrir a aquisição de dados, realização de estudos
técnicos, contratação de consultores, realização de testes de diagnóstico são alguns dos exemplos
de como essa informação é usada. A esperança é que a redução da incerteza aumente a chance
das decisões produzirem um resultado desejado. Na verdade, a única outra razão válida para
coleta de informações ou análise técnica é atender aos requisitos regulamentares. A questão
fundamental para qualquer processo de coleta de informações é se a redução esperada da
incerteza vale ou não o custo de obter as informações. A técnica VoI (Valor da Informação) é
projetada para responder a essa pergunta.
30
Coleta de Informações Básicas
O motivo para calcular o VoI é estimar o valor de um exercício de coleta de informações
proposto para que a decisão de implementá-lo ou não seja feita com uma base econômica. Para
que a informação seja relevante, deve existir uma dependência probabilística entre a informação
e os resultados do evento de interesse. Além disso, o evento de interesse deve impactar uma
métrica de decisão suficientemente para que seja possível mudar uma decisão. Finalmente, seu
valor deve exceder seu custo, caso em que a regra implícita de investimento diz para adquirir a
informação.
O VoI pode ser considerado como o valor atribuído às probabilidades atualizadas. Ao
calcular esse valor, as seguintes informações são necessárias: Estimativas de probabilidade atuais
ou a priori dos resultados possíveis que a quantidade pode ter, por exemplo, 30% de chance de
recuperação é baixo, 70% de chance é alta; estimativas de confiança da eficácia da informação
na previsão dos resultados, por exemplo, quando se sabe que o fator de recuperação é alto, os
estudos de simulação de reservatório em 3D também indicam alto 80% do tempo; Projetar
valores em termos monetários para cada uma das possíveis combinações de resultados, por
exemplo, VPL de US$ 600 milhões (positivo) se o fator de recuperação for alto e US$ 100
milhões (negativo) se for baixo.
Valor Esperado da Informação
Árvore de decisão é a forma mais frequente de representar os cálculos de VoI visto que
dão maior clareza ao processo. Na abordagem, é calculado o valor esperado de duas árvores de
decisão. A primeira árvore representa o valor esperado do projeto com as estimativas de
probabilidade atuais. A segunda árvore representa o valor esperado do projeto com as estimativas
de probabilidade atualizadas que resultam da aquisição das informações. A diferença no valor
das duas árvores é o VoI esperado.
Antes de se aprofundar no procedimento de cálculo, primeiro devem-se considerar alguns
limites intuitivos do VoI. O pior caso possível é que, independentemente das informações
obtidas, a mesma decisão seja tomada. Neste caso, independentemente do seu custo, a
informação tem valor esperado zero. Portanto, zero é um limite inferior no VoI.
31
No outro extremo, a informação perfeita é o melhor caso possível, ou seja, aquela que
sempre é correta e perfeitamente confiável. Por exemplo, o melhor dos cenários seria resolver
toda a incerteza na decisão de perfuração antes de decidir perfurar ou não. Não seria mais
necessário se preocupar com resultados ruins, porque, uma vez que as informações já foram
obtidas, o resultado já será conhecido e, portanto, a melhor decisão poderá ser tomada. Esta
informação perfeita fornece um limite superior no VoI, que é chamado o valor esperado da
informação perfeita (EVPI).
Não é necessário que existam dispositivos de coleta de informações perfeitas para que
seja computado o EVPI. O interesse em encontrar o EVPI é que ele representa o máximo que um
tomador de decisão deve pagar por qualquer tipo de informação sobre os resultados de um
evento incerto. Nenhum processo de coleta de informações pode gerar valores que excedam o
EVPI. O tomador de decisão que conhece o EVPI tem uma referência para comparar qualquer
processo de coleta de informações que possa ser proposto. Se o custo do processo exceder o
EVPI, não há necessidade de examinar mais a proposta. Como não requer nenhuma avaliação
explícita de probabilidade ou atualização de probabilidade, seu cálculo é considerado fácil.
Se o EVPI indicar que uma análise adicional é necessária, calcula-se o valor da
informação que seria possível coletar. Como essa informação real não diz o resultado com
certeza, ela é chamada de valor esperado da informação imperfeita (EVII).
Etapas no cálculo do VoI
Serão descritos abaixo os principais passos no processo de cálculo de um estudo do VoI.
Depois, serão mostradas figuras que ilustrarão essas etapas.
1) Calcular o valor esperado da decisão a ser tomada sem as informações. Este cálculo é
denominado como o valor do projeto base.
2) Incluir as novas informações formulando a estrutura da situação de decisão. Primeiro,
ao primeiro nó da árvore de decisão, adicionar uma nova ramificação para representar
a opção de adquirir informações. Esse ramo deve levar a um nó de incerteza, sendo o
evento incerto os resultados do exercício de coleta de informações. Para cada um dos
resultados possíveis do evento de coleta de informações, inclua a árvore que
representa o projeto base. A sub-árvore resultante diz que, se for escolhido obter as
informações, uma vez que é sabido seu resultado, a decisão original será abordada.
32
3) Calcular o valor da informação perfeita. Isso pode ser feito por inspeção da árvore de
decisão na segunda etapa. Se a EVPI for insignificante ou menor que o custo de
aquisição da informação, decida não coletar as informações e escolha a alternativa de
maior valor no projeto base. Caso contrário, prossiga para o passo 4.
4) Calcular o valor do projeto com a informação real e imperfeita. Esta etapa possui as
seguintes subetapas:
a. Estime as probabilidades de confiabilidade - P(informação | mundo real).
b. Calcule probabilidades atualizadas para os resultados.
c. Insira probabilidades atualizadas na árvore de decisão e resolva para o valor
do projeto.
5) Calcular o valor esperado da informação imperfeita (EVII), tomando a diferença de
valores entre os passos 4 e 1, e comparar essa diferença com o custo de aquisição da
informação.
6) Realizar uma análise de sensibilidade para testar a variação da decisão quanto a
mudanças nas probabilidades. A variação da decisão em relação a mudanças nos
payoffs também deve ser investigada. Em geral, não é preciso estimar os payoffs ou
probabilidades com grande precisão. Se, ao longo do intervalo de probabilidades e
payoffs possíveis, a decisão não mudar, as estimativas serão suficientemente boas
para fins de decisão.
Considere que exista uma decisão de fazer algo (por exemplo, perfurar um poço) ou não.
Essas duas alternativas serão chamadas de D1 e D2, respectivamente - como mostrado na figura
3-1. Agora, suponha que exista um evento incerto B com dois resultados possíveis: B1 e B2 (por
exemplo, o poço é comercial ou não comercial). As estimativas atuais das probabilidades de
ocorrência de B1 e B2 é P(B1) e P(B2). Se D1 for escolhido, então o payoff é VPL(B1) ou
VPL(B2), dependendo do resultado que ocorrer. Se D2 for escolhido, logo o pagamento é de US$
0. Esse resultado define o projeto base que é encontrado na Etapa 1.
Agora, uma terceira alternativa, denominada DA, é inserida no nó de decisão inicial para
indicar a decisão de coletar informação adicional A. Os resultados possíveis dessas informações
A1 ou A2 são conhecidos como dependentes dos resultados de interesse B1 e B2. Por exemplo, a
informação pode ser uma sísmica 3D com os resultados de “Ponto com anomalia sísmica” ou
“Ponto sem anomalia sísmica”. Neste ponto, não sabemos as probabilidades de observar A1 ou
33
A2. No entanto, uma vez que as probabilidades são conhecidas, voltamos à decisão original. Essa
decisão é modelada inserindo-se a árvore de decisão do projeto base original no final de A1 e A2.
Visto que as probabilidades dos resultados de A estão relacionadas às probabilidades dos
resultados de B, então elas são dependentes e, portanto, probabilidades condicionais, que ainda
são desconhecidas. Ou seja, se o resultado da aquisição de dados for A1, e for decidido executar
o projeto D1, ocorrerá B1 ou B2, dado que ocorreu o A1. Raciocínio semelhante se aplica a A2.
Por exemplo, se a sísmica 3D indica um “Ponto com anomalia sísmica” (A1), e for decidido
perfurar, o poço pode se tornar comercial com probabilidade P(Comercial | “Ponto com anomalia
sísmica”) ou não comercial com probabilidade P(Não Comercial | “Ponto com anomalia
sísmica”).
Figura 3-1: Árvore de Decisão VoI genérica. Modificado de Bratvold e Begg (2010).
Para incluir a opção de adquirir informações será criada uma situação de decisão que
inclua a tal. O próximo passo agora é calcular as probabilidades necessárias e resolver a árvore
de decisão. Assumindo que existam informações de confiança sobre a eficácia de "ponto com
34
anomalia sísmica" na previsão de poços comerciais, podem-se combinar esses dados de
confiança com as probabilidades anteriores para obter as probabilidades necessárias por meio da
técnica de inversão da árvore (Tree Flipping), como mostrado na Figura 3-2: Inversão da árvore
(Tree Flipping). Modificado de Bratvold e Begg (2010)..
A probabilidade total (isto é, o denominador do teorema de Bayes) é a soma das
probabilidades dos resultados possíveis da aquisição de dados P(A1) e P(A2). As probabilidades
atualizadas são calculadas da seguinte forma:
𝑃(𝐵1|𝐴1) = 𝑃(𝐴1|𝐵1)𝑃(𝐵1)
𝑃(𝐴1|𝐵1)𝑃(𝐵1) + 𝑃(𝐴1|𝐵2)𝑃(𝐵2)
𝑃(𝐵2|𝐴1) = 𝑃(𝐴1|𝐵2)𝑃(𝐵2)
𝑃(𝐴1|𝐵1)𝑃(𝐵1) + 𝑃(𝐴1|𝐵2)𝑃(𝐵2)
𝑃(𝐵1|𝐴2) = 𝑃(𝐴2|𝐵1)𝑃(𝐵1)
𝑃(𝐴2|𝐵1)𝑃(𝐵1) + 𝑃(𝐴2|𝐵2)𝑃(𝐵2)
𝑃(𝐵2|𝐴2) = 𝑃(𝐴2|𝐵2)𝑃(𝐵2)
𝑃(𝐴2|𝐵1)𝑃(𝐵1) + 𝑃(𝐴2|𝐵2)𝑃(𝐵2)
Figura 3-2: Inversão da árvore (Tree Flipping). Modificado de Bratvold e Begg (2010).
3.4 Estimativas de Risco
A seguir, serão mostradas e analisadas as figuras correspondentes à planilha[15]
desenvolvida para abordar o exemplo descrito anteriormente neste capítulo. Suponha que uma
35
análise geológica e de engenharia de uma nova concessão offshore contendo 12 anomalias
sísmicas de tamanho aproximadamente igual foi feita, mas não há certeza sobre quantas
anomalias conterão petróleo. Portanto, formula-se a hipótese de dois estados possíveis de
natureza.
Onde E1 possui 7 possíveis poços secos e 5 que contém óleo, sendo assim considerado o
estado de natureza otimista. Já o E2 possui 9 possíveis poços secos e 3 que contém óleo, sendo
considerado o estado pessimista. De início, devido a informações ou então suposições, será
considerado que E2 é duas vezes mais provável que E1, logo, as estimativas iniciais de risco serão
iguais a P(E1) = 0,33 e P(E2) = 0,67.
Figura 3-3: Resultados referentes ao Caso 1. Sequência sucesso, falha, sucesso, falha e sucesso.
Agora, é importante entender a figura 3-3, que traz todas as informações necessárias para
o entendimento do exemplo. Na primeira linha, é possível ver o número de poços perfurados. A
segunda linha traz a informação de quantos poços ainda são possíveis de serem perfurados (do
total de 12 até 7, no exempo da figura 3-3). Na quarta linha, será passada o resultado da
perfuração do poço, o número 1 representa o sucesso, ou seja, poço com óleo e, o número 0
representa a falha, ou seja, poço seco. A quinta e sexta linhas trazem as porcentagens de cada
estado ser o estado correto. Nas sétima e oitava linhas, é possível ver que cada estado tem seus
possíveis números de poços secos e com óleo, que vão diminuindo a medida que os poços vão
sendo perfurados. As ultimas duas linhas dizem apenas a porcentagem que esses poços secos e
com óleo restantes representam do total que ainda podem ser perfurados.
0 1 2 3 4 5
12 11 10 9 8 7
Poço 0 Poço1/2 Poço2/3 Poço3/4 Poço4/5 Poço5
Probabilidade 1 0 1 0 1
Poço Seco 7 7 6 6 5 5
Óleo 5 4 4 3 3 2
Poço Seco 9 9 8 8 7 7
Óleo 3 2 2 1 1 0
Poço Seco 58,3% 63,6% 60,0% 66,7% 62,5% 71,4%
Óleo 41,7% 36,4% 40,0% 33,3% 37,5% 28,6%
Poço Seco 75,0% 81,8% 80,0% 88,9% 87,5% 100,0%
Óleo 25,0% 18,2% 20,0% 11,1% 12,5% 0,0%E2
E2
E174,2%
67% 54,9% 61,0% 43,9% 51,1% 25,8%
33% 45,1% 39,0% 56,1% 48,9%
Estado
# Poços Perfurados
E1
E2
E1
36
Tendo em mente como funciona essa tabela, ficará mais fácil de entender a metodologia
do cálculo. Como é possível ver, foi decidido furar cinco poços e estimar a probabildiade de cada
estado após cada poço perfurado. Inicialmente, o E1 tinha 33% de ser o estado correto, já o E2
tinha 67% de ser esse estado. O primeiro poço obteve sucesso, então é visto que o E1 passou para
45,1% de chance de ocorrer e E2 para 54,9%. Também é visto que antes do primeiro poço, E1
possuía a chance de ter 5 poços com óleo e após o resultado diminuiu para 4, visto que o
resultado da perfuração deu poço com óleo. O mesmo foi observado para o E2 que passou de 3
para 2 possíveis poços com óleo. E assim sucessivamente até terminar a perfuração dos cinco
poços.
No final dos cinco poços, após obter uma sequência de: sucesso, falha, sucesso, falha e
sucesso. É possível ver que a probabilidade de E1 ser o estado correto é de 74,2% e 25,8% de ser
o E2. O próximo gráfico mostra como as probabilidades se comportam após cada sucesso ou
falha.
Figura 3-4: Gráfico correspondente à sequência sucesso, falha, sucesso, falha e sucesso.
Passando para outro caso do mesmo exemplo, onde ocorre o mesmo número de sucessos
e falhas, porém em uma ordem diferente (sucesso, sucesso, sucesso, falha e falha) e será provado
que as probabilidades a posteriori (finais) serão as mesmas. Como ilustrado na figura 3-5.
33,0%
45,1%39,0%
56,1%
48,9%
74,2%67,0%
54,9%61,0%
43,9%
51,1%
25,8%
0%
10%
20%
30%
40%
50%
60%
70%
80%
0 1 2 3 4 5 6Pro
bab
ilid
ade
do
Est
ado
da
Nat
ure
za
# Poços Perfurados
Teorema de Bayes
E1 Otimista
E2 Pessimista
37
Figura 3-5: Resultados referentes ao Caso 2. Sequência sucesso, sucesso, sucesso, falha e falha.
Ambos têm a mesma probabilidade inicial e final, porém é fácil de observar que as
probabilidades intermediárias mudam devido à mudança na ordem das ocorrências. Essa é uma
característica importante a ser observada, pois cada empresa costuma ter o seu perfil de risco e
baseado nesse perfil é definido um minimum acceptable chance (MAC), que seria um valor
mínimo que torna uma oportunidade economicamente aceitável. Quando o valor cai abaixo do
MAC, normalmente, é tomada a decisão de abandonar essa oportunidade.
Então, para esse exemplo se for tomado um MAC de 60%, é possível ver que no segundo
caso ele é atingido mais rápido (Poço 2) do que no primeiro (Poço 5). E isso é determinante em
alguns casos para a aceitação ou não do projeto, por exemplo, se fosse decidido perfurar apenas 3
poços, somente no segundo caso o projeto seria aceito.
0 1 2 3 4 5
12 11 10 9 8 7
Poço 0 Poço1/2 Poço2/3 Poço3/4 Poço4/5 Poço5
Probabilidade 1 1 1 0 0
Poço Seco 7 7 7 7 6 5
Óleo 5 4 3 2 2 2
Poço Seco 9 9 9 9 8 7
Óleo 3 2 1 0 0 0
Poço Seco 58,3% 63,6% 70,0% 77,8% 75,0% 71,4%
Óleo 41,7% 36,4% 30,0% 22,2% 25,0% 28,6%
Poço Seco 75,0% 81,8% 90,0% 100,0% 100,0% 100,0%
Óleo 25,0% 18,2% 10,0% 0,0% 0,0% 0,0%
E1
E2
E1
E2
E267% 54,9% 37,9% 16,9%
# Poços Perfurados
Estado
E133% 79,3% 74,2%
20,7% 25,8%
45,1% 62,1% 83,1%
38
Figura 3-6: Gráfico correspondente à sequência sucesso, sucesso, sucesso, falha e falha.
Além disso, é importante observar a análise de sensibilidade do primeiro caso (sucesso,
falha, sucesso, falha e sucesso), isto é, o quanto a probabilidade a posteriori varia de acordo com
a variação da probabilidade inicial dos estados de natureza. Na tabela 3-4 é possível observar na
primeira coluna a variação da probabilidade inicial do estado E1 e nas outras colunas a
sensibilidade das probabilidades a posteriori para cada poço perfurado.
Tabela 3-4: Análise de sensibilidade para o Caso 1.
P(E1) Poço1 Poço2 Poço3 Poço4 Poço5
45,1% 39,0% 56,1% 48,9% 74,2%
0% 0,0% 0,0% 0,0% 0,0% 0,0%
5% 8,1% 6,4% 12,0% 9,3% 23,5%
10% 15,6% 12,6% 22,4% 17,8% 39,3%
15% 22,7% 18,6% 31,4% 25,5% 50,7%
20% 29,4% 24,5% 39,3% 32,7% 59,3%
25% 35,7% 30,2% 46,4% 39,3% 66,0%
30% 41,7% 35,7% 52,6% 45,5% 71,4%
35% 47,3% 41,1% 58,3% 51,1% 75,9%
33,0%
45,1%
62,1%
83,1%79,3%
74,2%67,0%
54,9%
37,9%
16,9%20,7%
25,8%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
0 1 2 3 4 5 6Pro
bab
ilid
ade
do
Est
ado
da
Nat
ure
za
# Poços Perfurados
Teorema de Bayes
E1 Otimista
E2 Pessimista
39
40% 52,6% 46,4% 63,3% 56,5% 79,5%
45% 57,7% 51,5% 68,0% 61,4% 82,7%
50% 62,5% 56,5% 72,2% 66,0% 85,4%
55% 67,1% 61,3% 76,0% 70,4% 87,7%
60% 71,4% 66,0% 79,5% 74,5% 89,7%
65% 75,6% 70,7% 82,8% 78,3% 91,5%
70% 79,5% 75,2% 85,8% 81,9% 93,2%
75% 83,3% 79,5% 88,6% 85,4% 94,6%
80% 87,0% 83,8% 91,2% 88,6% 95,9%
85% 90,4% 88,0% 93,6% 91,7% 97,1%
90% 93,8% 92,1% 95,9% 94,6% 98,1%
95% 96,9% 96,1% 98,0% 97,4% 99,1%
100% 100,0% 100,0% 100,0% 100,0% 100,0%
O gráfico abaixo traz as informações da tabela de uma forma mais visual, onde é mais
fácil de identificar as influências de cada poço (sucesso ou falha) na probabilidade a posteriori.
Figura 3-7: Gráfico correspondente à análise de sensibilidade para o caso 1.
0,0%
10,0%
20,0%
30,0%
40,0%
50,0%
60,0%
70,0%
80,0%
90,0%
100,0%
0% 5% 10% 15% 20% 25% 30% 35% 40% 45% 50% 55% 60% 65% 70% 75% 80% 85% 90% 95% 100%
P (
E 1
) a
po
ste
rio
ri
P( E 1 ) Inicial
Sensibilidade: Probabilidades a posteriori para E1
Poço1
Poço2
Poço3
Poço4
Poço5
40
A tabela e o gráfico a seguir trazem as mesmas informações para o caso do estado de
natureza E2.
Tabela 3-5: Análise de sensibilidade para o Caso 2.
P(E2) Poço1 Poço2 Poço3 Poço4 Poço5
100% 100,0% 100,0% 100,0% 100,0% 100,0%
95% 91,9% 93,6% 88,0% 90,7% 76,5%
90% 84,4% 87,4% 77,6% 82,2% 60,7%
85% 77,3% 81,4% 68,6% 74,5% 49,3%
80% 70,6% 75,5% 60,7% 67,3% 40,7%
75% 64,3% 69,8% 53,6% 60,7% 34,0%
70% 58,3% 64,3% 47,4% 54,5% 28,6%
65% 52,7% 58,9% 41,7% 48,9% 24,1%
60% 47,4% 53,6% 36,7% 43,5% 20,5%
55% 42,3% 48,5% 32,0% 38,6% 17,3%
50% 37,5% 43,5% 27,8% 34,0% 14,6%
45% 32,9% 38,7% 24,0% 29,6% 12,3%
40% 28,6% 34,0% 20,5% 25,5% 10,3%
35% 24,4% 29,3% 17,2% 21,7% 8,5%
30% 20,5% 24,8% 14,2% 18,1% 6,8%
25% 16,7% 20,5% 11,4% 14,6% 5,4%
20% 13,0% 16,2% 8,8% 11,4% 4,1%
15% 9,6% 12,0% 6,4% 8,3% 2,9%
10% 6,3% 7,9% 4,1% 5,4% 1,9%
5% 3,1% 3,9% 2,0% 2,6% 0,9%
0% 0,0% 0,0% 0,0% 0,0% 0,0%
41
Figura 3-8: Gráfico correspondente à análise de sensibilidade para o caso 2.
0,0%
10,0%
20,0%
30,0%
40,0%
50,0%
60,0%
70,0%
80,0%
90,0%
100,0%
0% 5% 10% 15% 20% 25% 30% 35% 40% 45% 50% 55% 60% 65% 70% 75% 80% 85% 90% 95% 100%
P (
E 2
) a
po
ste
rio
ri
P( E 2 ) Inicial
Sensibilidade: Probabilidades a posteriori para E2
Poço1
Poço2
Poço3
Poço4
Poço5
42
4. Árvore de Decisões
4.1. Definição
A árvore de decisão é uma ferramenta utilizada para modelar a relação de diferentes
alternativas com os seus payoffs e probabilidades de ocorrência. Sendo considerada uma
excelente ferramenta de análise em projetos de grande porte que envolvem incertezas e grande
variedade de eventos probabilísticos.
Uma árvore de decisão é apenas uma representação gráfica de uma sequência de eventos
e seus possíveis resultados. Não existe escala em uma árvore de decisão, logo o tamanho dos
ramos não têm significado assim como os ângulos entre os ramos, então quem está desenhando a
árvore não precisa se preocupar em ser detalhista quanto a isso. As árvores são normalmente
lidas da esquerda para a direita e são desenhadas na mesma sequência que as decisões e que os
eventos probabilísticos acontecem no mundo real.
Existem muitas vantagens em se utilizar a árvore de decisões para essa forma de análise
como, por exemplo[6]:
Todas as alternativas possíveis são definidas e analisadas de uma maneira
consistente. Uma decisão complexa é dividida em pedaços menores para uma
melhor análise.
Tal análise oferece uma melhor chance de ação consistente para atingir uma meta
em uma série de decisões, isto é, cada passo na sequência já foi analisado.
Evitando assim que no futuro, surja a dúvida de qual caminho foi tomado para
que aquela decisão tenha sido a escolhida.
Qualquer decisão, não importando quão complicada, pode ser analisada por este
método de análise.
A sequência de decisão é estabelecida antes da decisão inicial. E isso é um bom
recurso para delegar autoridade.
A árvore de decisões pode ser usada para seguir o curso dos eventos. Em
qualquer nó de decisão, se as condições tiverem mudado, as alternativas restantes
43
podem ser reanalisadas para que se desenvolva uma nova estratégia daquele
ponto em diante.
O uso de softwares costuma ser necessário em projetos de grande porte como, por
exemplo, projetos de exploração e produção de óleo e gás. Como esses projetos se ramificam
excessivamente, a utilização de softwares é justificada para a otimização na obtenção de
resultados de uma árvore ótima com a estrutura mais compacta possível.
O software que será utilizado nos estudos de caso deste trabalho será o PrecisionTree da
Palisade Corporation. Esse software traz uma poderosa ferramenta de análise para o Excel.
Usando técnicas como a árvore de decisão e outras que não serão usadas neste trabalho, os
produtos da Palisade permitem que os usuários compreendam os riscos e consigam fazer
melhores decisões.
4.2. Arranjo e Simbologia da Árvore
A árvore de decisão é um diagrama composto de nós e ramos. Existem três tipos de nós:
os nós de decisão, os nós probabilísticos e os nós de payoff. Um nó de decisão representa uma
decisão baseada em regras, normalmente essa regra é simplesmente escolher a opção com o
maior ganho esperado ou então a menor perda esperada. Um nó probabilístico representa um
evento incerto. Nós probabilísticos são geralmente representados como um conjunto finito de
alternativas mutuamente exclusivas e cada uma tendo uma probabilidade de ocorrência. Um nó
de payoff representa o fim de uma sequência de ramos que possui nós de decisão e
probabilísticos. Normalmente, os nós de payoff recebem um valor que representa o último passo.
Agora, como este trabalho faz o uso do software do PrecisionTree é necessário entender
a estrutura e a simbologia utilizada pelo mesmo para representar a árvore de decisão.
Em uma árvore de decisão no PrecisionTree, os nós de decisão são representados por
quadrados verdes, os nós probabilísticos por círculos vermelhos e os nós de payoff por triângulos
azuis. O nó de decisão indica que o PrecisionTree deve fazer uma decisão entre duas ou mais
alternativas. Os ramos que saem de um nó de decisão têm um “Indicador de decisão”, que mostra
se o ramo foi escolhido como o melhor caminho ou não, e também um “Valor do ramo”, que
representa custo de escolher esse ramo. O nó probabilístico indica que vários resultados são
possíveis em um evento no qual o usuário não tem controle sobre o resultado. Cada ramo que sai
44
de um nó probabilístico tem uma “Probabilidade do ramo”, que representa a probabilidade
daquele ramo, e um “Valor do ramo”, que representa o custo ou ganho de escolher aquele ramo.
O nó de payoff indica o fim de um caminho de uma árvore de decisão, onde o payoff será
calculado. Para a direita do nó de payoff, a “Probabilidade do caminho” e o “Payoff do caminho”
mostram a probabilidade e o valor do resultado associado com esse caminho.
O nome de cada nó e o valor da árvore naquele nó são mostrados perto do símbolo do nó.
Cada ramo tem um rótulo com o nome do ramo e dois valores, sendo um acima e outro abaixo do
ramo. Para um nó probabilístico, os dois valores são, respectivamente, a probabilidade do ramo e
o valor associado ao ramo. Para um nó de decisão, é possível notar um “VERDADEIRO” ou
“FALSO” em cima do ramo, indicando se o ramo foi selecionado como o melhor caminho ou
não. Abaixo do ramo fica o valor associado ao ramo. Para um nó de payoff, dois valores são
mostrados: a probabilidade e o valor daquele caminho se ele acontecer. Tudo isso pode ser visto
na figura 4-1.
Figura 4-1: Exemplo de árvore de decisão.
Além da simbologia é importante citar também o arranjo da árvore de precisão, que segue
algumas regras para o seu projeto. A primeira delas é que a árvore tem uma ordem, ela segue
cronologicamente da esquerda para a direita, isto é, os eventos que ocorreram primeiro ficam a
esquerda e os próximos a sua direita. A próxima regra é que os nós de decisão devem ser
45
definidos de tal forma que apenas uma opção possa ser escolhida por nó, isto é, a partir do
momento que uma opção é escolhida, não é mais possível escolher a outra. E por último, os nós
probabilísticos devem ser definidos de forma que eles sejam mutuamente exclusivos e
coletivamente exaustivos, isto é, todas as possibilidades de resultado devem estar descritas, mas
essas possibilidades não podem ocorrer ao mesmo tempo, logo apenas um resultado é possível.
4.3. Estudo de Caso – Oil Wildcatting
4.3.1. Problema
Uma empresa de petróleo está considerando três locais para perfurar poços exploratórios.
Mas por restrições no orçamento, apenas um poço pode ser perfurado. Os locais 1 e 3 têm uma
maior incerteza na quantidade de óleo que pode ser encontrado. Já o local 2 possui uma grande
chance de ter uma baixa produção de óleo. O custo de perfuração no local 1 é de R$ 150.000,00,
no local 2 é de R$ 300.000,00 e no local 3 é de R$ 400.000,00. Sabendo-se que obrigatoriamente
um local deve ser explorado, deseja-se saber o melhor local para a perfuração do poço assim
como o seu payoff. Este problema foi adaptado de Desion Analysis for Petroleum Exploration[6].
Uma peculiaridade sobre os locais 1 e 3 é que existe a chance de ser encontrar estruturas
geológicas chamadas de domo que aumentam as chances de ter óleo nessas regiões. No local 1 a
probabilidade do domo ocorrer é dada por: P(Domo) = 0,7 e para o local 3 é dado por: P(Domo)
= 0,9. A grande diferença do local 1 para o local 3 é que no local 3 quando não se tem a estrutura
do domo, as chances de se ter óleo são muito baixas além de que só é possível encontrar áreas
com baixa produção.
O Local 2 é um pouco menos complicado, nele existem apenas as possibilidades de se
encontrar poços secos ou com baixa produção. Os custos, os possíveis resultados, os payoffs e as
probabilidades condicionais de todos os três locais serão mostrados nas tabelas abaixo.
Tabela 4-1: Local 1.
Local 1
Resultado Payoff P(Resultado|Domo) P(Resultado|Sem Domo)
Seco -R$ 150.000,00 0,7 0,8
Baixa Produção R$ 200.000,00 0,2 0,15
Alta Produção R$ 600.000,00 0,1 0,05
46
Tabela 4-2: Local 2.
Local 2
Resultado Payoff Probabilidade
Seco -R$ 300.000,00 0,15
Baixa Produção R$ 100.000,00 0,85
Tabela 4-3: Local 3.
Local 3
Resultado Payoff P(Resultado|Domo) P(Resultado|Sem Domo)
Seco -R$ 400.000,00 0,5 0,95
Baixa Produção R$ 350.000,00 0,4 0,05
Alta Produção R$ 900.000,00 0,1 -
4.3.2. Apresentação dos resultados
Esse problema se baseia no trade-off de se explorar um local com uma maior chance de
haver óleo, porém com um menor retorno financeiro ao invés de explorar locais com maior
retorno financeiro só que com maior risco associado.
Agora, com os dados fornecidos pelo problema e com a ajuda do software PrecisionTree
é possível montar a árvore de decisão completa do problema. O programa vai retornar os payoffs
para cada ramo além da melhor solução para o problema, como é possível ver na figura 4-2.
47
Figura 4-2: Árvore de decisão completa do problema.
Como dito no último parágrafo, o software nos fornece a melhor solução para o problema
e esta solução é chamada de: Árvore de decisão ótima do problema. Ela é uma versão reduzida
da árvore completa onde é mostrado apenas o melhor caminho na árvore. Em nós de decisão
apenas o melhor ramo é mostrado e os todos nós probabilísticos que advém desse nó de decisão
são mostrados, visto que todos esses eventos podem ocorrer. A figura 4-3 mostra a árvore de
decisão ótima e a tabela 4-4 mostra a melhor decisão por nó de decisão com seus benefícios
associados.
48
Figura 4-3: Árvore de decisão ótima do problema.
Tabela 4-4: Tabela de decisão.
A figura 4-4 mostra o gráfico de probabilidade. Cada linha do gráfico mostra a
probabilidade de que o payoff seja igual a um certo valor. E na tabela 4-5 é possível ver todos os
payoffs com as suas respectivas probabilidades de ocorrência.
Decisão Escolha ótima Probabilidade de chegada
Benefício da escolha correta
(Melhor - Pior)
Benefício da escolha correta
(Melhor - Segunda melhor)
'Perfurar em qual Local?' (B38) Local 3 100,0000% 159.875 96.500
49
Figura 4-4: Gráfico de probabilidade.
Tabela 4-5: Dados do gráfico.
Agora, será mostrado um gráfico cumulativo para cada local possível de perfuração. Esse
gráfico é interessante visto que é possível ver quando o payoff começa a ficar positivo. Por
exemplo, para o caso do Local 3 (que foi o caminho escolhido) é possível ver que existe uma
probabilidade de aproximadamente 55% de se ter prejuízo, e que só a partir dessa probabilidade
o fluxo de caixa passa a ser positivo. A figura 4-5 mostra o gráfico cumulativo e a tabela 4-6
mostra os dados relativos ao gráfico.
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%-5
00
.00
0 0
50
0.0
00
1.0
00
.000
1.5
00
.000
2.0
00
.000
2.5
00
.000
3.0
00
.000
3.5
00
.000
4.0
00
.000
Pro
bab
ilid
ade
Probabilidades para Árvore de decisão 'Oil Wildcatting'Região de estratégia do nó ''Perfurar em qual Local?''
Local 1
Local 2
Local 3
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
Valor Probabilidade Valor Probabilidade Valor Probabilidade
1 -150.000 73,0000% -300.000 15,0000% -400.000 54,5000%
2 75.000 18,5000% 150.000 85,0000% 200.000 36,5000%
3 1.350.000 8,5000% 3.600.000 9,0000%
Dados do gráfico
Local 1 Local 2 Local 3
50
Figura 4-5: Gráfico de probabilidade cumulativa.
Tabela 4-6: Dados do gráfico.
E então, na próxima tabela é possível ver o resumo estatístico do problema com todas as
estatísticas relevantes para cada decisão. Por exemplo, o valor esperado da árvore é de 179.000
0%
20%
40%
60%
80%
100%-5
00
.00
0 0
50
0.0
00
1.0
00
.000
1.5
00
.000
2.0
00
.000
2.5
00
.000
3.0
00
.000
3.5
00
.000
4.0
00
.000
Pro
bab
ilid
ade
cum
ula
tiva
Probabilidades cumulativas para Árvore de decisão 'Oil Wildcatting'Região de estratégia do nó ''Perfurar em qual Local?''
Local 1
Local 2
Local 3
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
Valor Probabilidade Valor Probabilidade Valor Probabilidade
1 -Infinito 0,0000% -Infinito 0,0000% -Infinito 0,0000%
2 -150.000 0,0000% -300.000 0,0000% -400.000 0,0000%
3 -150.000 73,0000% -300.000 15,0000% -400.000 54,5000%
4 75.000 73,0000% 150.000 15,0000% 200.000 54,5000%
5 75.000 91,5000% 150.000 100,0000% 200.000 91,0000%
6 1.350.000 91,5000% Infinito 100,0000% 3.600.000 91,0000%
7 1.350.000 100,0000% 3.600.000 100,0000%
8 Infinito 100,0000% Infinito 100,0000%
Dados do gráfico
Local 1 Local 2 Local 3
51
quando a decisão é pelo Local 3, que é o maior quando comparado aos outros, 82.500 para o
Local 2 e 19.125 para o Local 1, então baseado somente na informação do valor esperado, o
Local 3 parece ser a melhor decisão.
Tabela 4-7: Resumo estatístico.
Estatísticas Local 1 Local 2 Local 3
Média 19.125 82.500 179.000
Mínimo -150.000 -300.000 -400.000
Máximo 1.350.000 150.000 3.600.000
Modo -150.000 150.000 -400.000
Desvio padrão 414.744 160.682 1.111.827
Distorção 2,7596 -1,9604 2,5448
Curtose 9,0328 4,8431 8,1070
4.4. Estudo de Caso – Árvore Complexa
4.4.1. Problema
Neste estudo de caso, uma empresa de petróleo quer saber qual a melhor forma de se
explorar, ou não, um campo de petróleo. Dentro das opções possíveis estão: fazer uma sísmica
antes de explorar, explorar sem a sísmica ou, simplesmente, abandonar o campo. Este problema
foi adaptado de Real Options[14].
Neste projeto serão considerados alguns custos relativos a uma operação na indústria de
óleo e gás. Por exemplo, serão considerados o investimento do capital (CAPEX) e os custos
operacionais para cada tipo de reserva (OPEX). Também serão considerados o custo da
perfuração e da sísmica. No caso da opção pela sísmica, haverá uma taxa de desconto de 15% ao
ano, visto que a operação da sísmica vai durar 1 ano. E o preço do óleo utilizado será de US$25
por barril. Como será mostrado nas tabelas 4-8 e 4-9.
52
Tabela 4-8: Dados de custos operacionais.
Tipo de Reserva Quantidade de barris (bbl) OPEX (US$/bbl)
Pequena 50.000.000 6
Média 75.000.000 5,5
Grande 150.000.000 4,8
Tabela 4-9: Dados de investimento de capital.
Custo (US$)
Perfuração + Delimitação 200.000.000
Sísmica 10.000.000
CAPEX 1.000.000.000
Agora, serão apresentadas em forma de duas tabelas, tabelas 4-10 e 4-11, as
probabilidades associadas a cada escolha: Explorar com Sísmica e Explorar sem a Sísmica. Para
o caso da sísmica, existe possibilidade dela retornar algo que possa ser útil para a análise
(resultado positivo) ou então alguma informação que não vai agregar no resultado (resultado
negativo). Dentro desse resultado positivo, pode-se ter um resultado bom (maior chance de
encontrar óleo) ou um resultado ruim (menor chance de encontrar óleo). Quando ocorre um
resultado bom, além da maior chance de encontrar óleo, aumenta também a probabilidade de se
encontrar grandes reservas. A partir daí deve-se perfurar, e seguir a análise, ou abandonar o
poço.
Tabela 4-10: Probabilidades associadas à exploração sem sísmica.
Explorar sem Sísmica
Reserva pequena 40%
Reserva média 40%
Reserva grande 20%
Poço seco 80%
Poço com óleo 20%
53
Tabela 4-11: Probabilidades associadas à exploração com sísmica.
Explorar com sísmica
Resultado positivo 70%
Resultado negativo 30%
Resultado bom 20%
Resultado ruim 80%
P(Reserva pequena|Resultado bom) 10%
P(Reserva média|Resultado bom) 20%
P(Reserva grande|Resultado bom) 70%
4.4.2. Apresentação dos Resultados
Assim como o último problema, este aqui também se baseia em um trade-off. A diferença
que nesse caso além das opções de maior e menor risco, existe a possibilidade de simplesmente
não explorar o local, o que traz um maior realismo a esse estudo de caso, visto que é muito
comum na avaliação de projetos a opção de desistir daquele projeto devido ao seu alto risco ou
seu baixo payoff.
Para esse problema também será usado o software do PrecisionTree para realizar a
montagem da árvore de decisão, realizar análises estatísticas e diferentemente do último caso,
serão feitas análises de sensibilidade tanto unidirecional quando bidirecional. A figura 4-6
mostra a árvore de decisão completa do problema.
54
Figura 4-6: Árvore de decisão completa do problema.
A próxima figura a ser exibida terá a árvore de decisão ótima para o problema, como já
foi visto no último estudo de caso, ela é uma versão reduzida da árvore completa onde é
mostrado somente o melhor caminho da árvore. A figura 4-7 mostra a árvore de decisão ótima e
a tabela 4-12 mostra a melhor decisão para cada nó de decisão do problema, assim como os
benefícios de se escolher essas opções em detrimento das outras possíveis.
FALS
O0
,0%
-50
.00
0.0
00
-25
0.0
00
.00
0
40
,0%
De
cisã
o
0-2
00
.00
0.0
00
VER
DA
DEI
RO
0,0
%
0-2
00
.00
0.0
00
20
,0%
Pro
ba
bil
ida
de
03
91
.00
0.0
00
VER
DA
DEI
RO
0,0
%
46
2.5
00
.00
02
62
.50
0.0
00
40
,0%
De
cisã
o
02
62
.50
0.0
00
FALS
O0
,0%
0-2
00
.00
0.0
00
VER
DA
DEI
RO
0,0
%
2.0
30
.00
0.0
00
1.8
30
.00
0.0
00
20
,0%
De
cisã
o
01
.83
0.0
00
.00
0
FALS
O0
,0%
0-2
00
.00
0.0
00
FALS
OP
rob
ab
ilid
ad
e
-20
0.0
00
.00
0-8
1.8
00
.00
0
80
,0%
0,0
%
0-2
00
.00
0.0
00
De
cisã
o
20
.92
7.8
26
FALS
O0
,0%
-43
.47
8.2
61
-22
7.3
91
.30
4
10
,0%
De
cisã
o
0-1
83
.91
3.0
43
VER
DA
DEI
RO
0,4
2%
0-1
83
.91
3.0
43
30
,0%
Pro
ba
bil
ida
de
01
.13
2.1
73
.91
3
VER
DA
DEI
RO
0,8
4%
40
2.1
73
.91
32
18
.26
0.8
70
20
,0%
De
cisã
o
02
18
.26
0.8
70
FALS
O0
,0%
0-1
83
.91
3.0
43
VER
DA
DEI
RO
2,9
4%
1.7
65
.21
7.3
91
1.5
81
.30
4.3
48
70
,0%
De
cisã
o
01
.58
1.3
04
.34
8
FALS
O0
,0%
0-1
83
.91
3.0
43
VER
DA
DEI
RO
Pro
ba
bil
ida
de
-17
3.9
13
.04
32
10
.91
3.0
43
70
,0%
9,8
%
0-1
83
.91
3.0
43
20
,0%
De
cisã
o
02
10
.91
3.0
43
FALS
O0
,0%
0-1
0.0
00
.00
0
70
,0%
Pro
ba
bil
ida
de
03
4.1
82
.60
9
80
,0%
56
,0%
0-1
0.0
00
.00
0
VER
DA
DEI
RO
Pro
ba
bil
ida
de
-10
.00
0.0
00
20
.92
7.8
26
FALS
O0
,0%
-43
.47
8.2
61
-22
7.3
91
.30
4
40
,0%
De
cisã
o
0-1
83
.91
3.0
43
VER
DA
DEI
RO
0,0
%
0-1
83
.91
3.0
43
20
,0%
Pro
ba
bil
ida
de
03
30
.00
0.0
00
VER
DA
DEI
RO
0,0
%
40
2.1
73
.91
32
18
.26
0.8
70
40
,0%
De
cisã
o
02
18
.26
0.8
70
FALS
O0
,0%
0-1
83
.91
3.0
43
VER
DA
DEI
RO
0,0
%
1.7
65
.21
7.3
91
1.5
81
.30
4.3
48
20
,0%
De
cisã
o
01
.58
1.3
04
.34
8
FALS
O0
,0%
0-1
83
.91
3.0
43
FALS
OP
rob
ab
ilid
ad
e
-17
3.9
13
.04
3-8
1.1
30
.43
5
80
,0%
0,0
%
0-1
83
.91
3.0
43
30
,0%
De
cisã
o
0-1
0.0
00
.00
0
VER
DA
DEI
RO
30
,0%
0-1
0.0
00
.00
0
FALS
O0
,0%
00
Árv
ore
Co
mp
lexa
Ab
an
do
nar
Exp
lora
r
Seco
Óle
o
Sísm
ica
Re
serv
a p
equ
ena
De
sen
volv
er
Ab
an
do
nar
Re
serv
a m
édia
De
sen
volv
er
Ab
an
do
nar
Re
serv
a gr
and
e
De
sen
volv
er
Ab
an
do
nar
Re
sult
ado
po
siti
vo d
a sí
smic
a
Re
sult
ado
ruim
Re
sult
ado
bo
m
Ab
an
do
nar
Pe
rfu
rar
Seco
Óle
o
Re
serv
a p
equ
ena
De
sen
volv
er
Ab
an
do
nar
Re
serv
a m
édia
De
sen
volv
er
Ab
an
do
nar
Re
serv
a gr
and
e
De
sen
volv
er
Ab
an
do
nar
Re
sult
ado
ne
gati
vo d
a sí
smic
a
Ab
an
do
nar
Pe
rfu
rar
Seco
Óle
o
Re
serv
a p
equ
ena
De
sen
volv
er
Ab
an
do
nar
Re
serv
a m
édia
De
sen
volv
er
Ab
an
do
nar
Re
serv
a gr
and
e
De
sen
volv
er
Ab
an
do
nar
55
Figura 4-7: Árvore de decisão ótima do problema.
Tabela 4-12: Tabela de decisão.
A figura 4-8 mostra o gráfico de probabilidade. Cada linha desse gráfico fornece a
probabilidades dos payoffs para cada decisão a ser tomada (Explorar, Sísmica e Abandonar).
Esses dados são mostrados também na tabela 4-13. Vale destacar, que para a decisão de explorar
sem a sísmica existe uma probabilidade de 88% de se ter um alto prejuízo.
Decisão
20.927.826
10,0% Decisão
0 -183.913.043
VERDADEIRO 0,42%
0 -183.913.043
30,0% Probabilidade
0 1.132.173.913
VERDADEIRO 0,84%
402.173.913 218.260.870
20,0% Decisão
0 218.260.870
VERDADEIRO 2,94%
1.765.217.391 1.581.304.348
70,0% Decisão
0 1.581.304.348
VERDADEIRO Probabilidade
-173.913.043 210.913.043
70,0% 9,8%
0 -183.913.043
20,0% Decisão
0 210.913.043
70,0% Probabilidade
0 34.182.609
80,0% 56,0%
0 -10.000.000
VERDADEIRO Probabilidade
-10.000.000 20.927.826
30,0% Decisão
0 -10.000.000
VERDADEIRO 30,0%
0 -10.000.000
Árvore Complexa
Sísmica
Resultado positivo da sísmica
Resultado ruim
Resultado bom
Perfurar
Seco
Óleo
Reserva pequena
Abandonar
Reserva média
Desenvolver
Reserva grande
Desenvolver
Resultado negativo da sísmica
Abandonar
Decisão Escolha ótima Probabilidade de chegada
Benefício da escolha correta
(Melhor - Pior)
Benefício da escolha correta
(Melhor - Segunda melhor)
'Decisão' (B38) Sísmica 100,0000% 102.727.826 20.927.826
'Decisão' (E64) Perfurar 14,0000% 220.913.043 220.913.043
'Decisão' (H42) Abandonar 0,4200% 43.478.261 43.478.261
'Decisão' (H50) Desenvolver 0,8400% 402.173.913 402.173.913
'Decisão' (H56) Desenvolver 2,9400% 1.765.217.391 1.765.217.391
'Decisão' (D98) Abandonar 30,0000% 71.130.435 71.130.435
56
Figura 4-8: Gráfico de probabilidade.
Tabela 4-13: Dados do gráfico.
Na figura 4-9 será mostrado o gráfico de probabilidade cumulativa, que assim como no
último estudo de caso, tem como característica mostrar quando o payoff começa a ficar positivo.
Por exemplo, para ambas as decisões de se explorar com ou sem sísmica a probabilidade de obter
prejuízo é alta, ambas na faixa dos 90%, isso indica que projetos na área de óleo e gás precisam
de um cuidado a mais, pois seu alto lucro vem associado de um risco de igual ou maior
magnitude. Esses dados podem ser conferidos na tabela 4-13.
0%
20%
40%
60%
80%
100%-5
00
.00
0.0
00
0
50
0.0
00
.00
0
1.0
00
.000
.00
0
1.5
00
.000
.00
0
2.0
00
.000
.00
0
Pro
bab
ilid
ade
Probabilidades para Árvore de decisão 'Árvore Complexa'Região de estratégia do nó ''Decisão''
Explorar
Sísmica
Abandonar
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
Valor Probabilidade Valor Probabilidade Valor Probabilidade
1 -200.000.000 88,0000% -183.913.043 10,2200% 0 100,0000%
2 262.500.000 8,0000% -10.000.000 86,0000%
3 1.830.000.000 4,0000% 218.260.870 0,8400%
4 1.581.304.348 2,9400%
Dados do gráfico
Explorar Sísmica Abandonar
57
Figura 4-9: Gráfico de probabilidade cumulativa.
Tabela 4-14: Dados do gráfico.
O resumo estatístico traz todas as estatísticas relevantes do problema e será mostrado na
tabela 4-15. Como citado no último estudo de caso, pode-se avaliar o valor esperado das três
0%
20%
40%
60%
80%
100%
-50
0.0
00
.000
0
50
0.0
00
.00
0
1.0
00
.000
.00
0
1.5
00
.000
.00
0
2.0
00
.000
.00
0
Pro
bab
ilid
ade
cum
ula
tiva
Probabilidades cumulativas para Árvore de decisão 'Árvore Complexa'
Região de estratégia do nó ''Decisão''
Explorar
Sísmica
Abandonar
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
Valor Probabilidade Valor Probabilidade Valor Probabilidade
1 -Infinito 0,0000% -Infinito 0,0000% -Infinito 0,0000%
2 -200.000.000 0,0000% -183.913.043 0,0000% 0 0,0000%
3 -200.000.000 88,0000% -183.913.043 10,2200% 0 100,0000%
4 262.500.000 88,0000% -10.000.000 10,2200% Infinito 100,0000%
5 262.500.000 96,0000% -10.000.000 96,2200%
6 1.830.000.000 96,0000% 218.260.870 96,2200%
7 1.830.000.000 100,0000% 218.260.870 97,0600%
8 Infinito 100,0000% 1.581.304.348 97,0600%
9 1.581.304.348 100,0000%
10 Infinito 100,0000%
Dados do gráfico
Explorar Sísmica Abandonar
58
possíveis decisões: -81.800.000 para a decisão de explorar sem a sísmica, 20.927.826 para a
decisão de explorar com o uso da sísmica e 0 para a decisão de abandonar o projeto. Logo, com
base apenas na informação dada pelo valor esperado, é possível dizer que explorar com o uso de
sísmica parece ser a melhor decisão.
Tabela 4-15: Resumo estatístico.
Estatísticas Explorar Sísmica Abandonar
Média -81.800.000 20.927.826 0
Mínimo -200.000.000 -183.913.043 0
Máximo 1.830.000.000 1.581.304.348 0
Modo -200.000.000 -10.000.000 0
Desvio padrão 409.850.290 277.525.470 0
Distorção 4,0862 5,1862 N/A
Curtose 18,9837 29,4127 N/A
Agora, serão feitas análises de sensibilidade do problema. Essas análises têm como
objetivo identificar o impacto que mudanças em certas variáveis de entrada vão causar no
resultado do problema em questão. Para o caso das próximas quatro figuras será feita uma
análise de sensibilidade unidirecional, que significa uma alteração em apenas uma variável de
entrada. Já nas duas últimas figuras será feita uma análise de sensibilidade bidirecional, que
como o nome já indica, duas variáveis de entrada serão alteradas.
Na Figura 4-10 é mostrado o gráfico de sensibilidade unidirecional com a variação da
variável de entrada do preço do óleo. O gráfico nos mostra o impacto que uma alteração dessa
variável poderia causar no projeto, o seu valor inicial era de US$25 por barril e é possível ver
que quando essa variável chega ao valor de US$20 por barril, uma queda de 20%, o valor
esperado para o problema chega a 0, o que poderia inviabilizar o projeto. Já quando o seu valor
chega a US$30 por barril, o valor esperado para o problema é maior que o dobro do valor
esperado para o problema original, cerca de 43 milhões para US$30 e 21 milhões para US$25.
59
Figura 4-10: Análise de sensibilidade unidirecional para a variável de preço do óleo.
A região de estratégia, que é o assunto da figura 4-11, mostra a comparação de uma
análise de sensibilidade para cada decisão do projeto. É possível observar que para o intervalo
usado nessa análise, a decisão de explorar com o uso de sísmica sempre se sobressai quando
comparada com as demais.
-10.000.000
0
10.000.000
20.000.000
30.000.000
40.000.000
50.000.000
60.000.000
18
20
22
24
26
28
30
32
Val
or
esp
erad
o
Preço do Óleo (US$/bbl) (R9)
Sensibilidade de Árvore de decisão 'Árvore Complexa'Valor esperado do nó 'Decisão' (B38)
Com variação de Preço do Óleo (US$/bbl) (R9)
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
60
Figura 4-11: Gráfico da região de estratégia alterando a variável de preço do óleo.
O gráfico de tornado é utilizado para comparar análises de sensibilidade que envolvem
diferentes variáveis de entrada. Neste gráfico a barra mais longa representa a variável que tem
maior impacto no projeto, isso fica claro ao perceber que quanto maior a barra, maior o intervalo
de valor esperado. Então para o caso desse projeto, a variável do preço do óleo é a que tem maior
impacto no projeto. A figura 4-11 mostra o gráfico de tornado.
-200.000.000
-150.000.000
-100.000.000
-50.000.000
0
50.000.000
100.000.000
18
20
22
24
26
28
30
32
Val
or
esp
erad
o
Preço do Óleo (US$/bbl) (R9)
Região de estratégia de Árvore de decisão 'Árvore Complexa'Valor esperado do nó 'Decisão' (B38)
Com variação de Preço do Óleo (US$/bbl) (R9)
Explorar
Sísmica
Abandonar
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
61
Figura 4-12: Gráfico de tornado.
No gráfico de radar cada linha do gráfico representa uma variável de entrada. Este gráfico
exibe a alteração percentual no valor esperado do resultado, à medida que cada entrada é alterada
para cada análise. Logo, quanto mais inclinado à linha, maior o impacto daquela variável no
resultado do problema. Então, como é possível observar na figura 4-12 e reforçando o que já foi
dito anteriormente, a variável de maior impacto é o preço do óleo.
-10
.000
.00
0 0
10
.00
0.0
00
20
.00
0.0
00
30
.00
0.0
00
40
.00
0.0
00
50
.00
0.0
00
60
.00
0.0
00
Preço do Óleo (US$/bbl) (R9)
CAPEX (V5)
Valor esperado
Gráfico de tornado de Árvore de decisão 'Árvore Complexa'Valor esperado do modelo inteiro
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
62
Figura 4-13: Gráfico de radar.
Por último, ficou a análise de sensibilidade bidirecional onde duas variáveis de entrada
são alteradas ao mesmo tempo, no caso dessa análise serão alteradas o CAPEX e o preço do
óleo. A figura 4-13 traz o gráfico dessa análise, onde no eixo X temos o CAPEX, no eixo Y o
preço do óleo e o eixo Z tem o valor esperado do problema.
-10.000.000
0
10.000.000
20.000.000
30.000.000
40.000.000
50.000.000
60.000.000
-00
.30%
-00
.20%
-00
.10%
00
.%
00
.10
%
00
.20
%
00
.30
%
Val
or
esp
erad
o
Mudança no input (%)
Gráfico de radar de Árvore de decisão 'Árvore Complexa'Valor esperado do modelo inteiro
Preço do Óleo (US$/bbl) (R9)
CAPEX (V5)
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
63
Figura 4-14: Análise de sensibilidade bidirecional.
A figura 4-14 traz o gráfico da região de estratégia bidirecional. Nele é possível observar
o conjunto de pares de valores do preço do óleo e CAPEX do projeto, que juntos trazem como
informação qual decisão ser tomada para aquele par de valores específico. É possível notar que a
decisão ótima escolhida pelo software do PrecisionTree é o que aparece com o maior espaço
amostral no gráfico.
18,75
21,25
23,75
26,25
28,75
31,25
0
10.000.000
20.000.000
30.000.000
40.000.000
50.000.000
60.000.000
70.000.000
80.000.000
Preço do Óleo (US$/bbl) (R9)
Val
or
esp
erad
o
CAPEX (V5)
Sensibilidade de Árvore de decisão 'Árvore Complexa'Valor esperado do nó 'Decisão' (B38)
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
64
Figura 4-15: Região de estratégia bidirecional.
18
20
22
24
26
28
30
327
50.
00
0.0
00
80
0.0
00
.00
0
85
0.0
00
.00
0
90
0.0
00
.00
0
95
0.0
00
.00
0
1.0
00
.000
.00
0
1.0
50
.000
.00
0
1.1
00
.000
.00
0
1.1
50
.000
.00
0
1.2
00
.000
.00
0
1.2
50
.000
.00
0
Pre
ço d
o Ó
leo
(U
S$/b
bl)
(R
9)
CAPEX (V5)
Região de estratégia do nó 'Decisão'
Sísmica
Abandonar
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
PrecisionTree Versão TesteApenas para fins de avaliação
65
Conclusão
Nessa monografia foram discutidas as diferentes atividades relacionadas à análise de
riscos de projetos de exploração e produção de óleo e gás, assim como suas características e
conceitos específicos ao decorrer do texto. Destacou-se a sua relevância e proficuidade para a
indústria petrolífera, tendo como objetivo o melhor entendimento sobre o processo de tomada de
decisão.
O capítulo dois abordou os modelos da análise de risco na indústria de óleo e gás e suas
diferentes formas de abordagem. Primeiro, foram citadas as descrições das palavras risco e
incerteza, que com certeza foram as palavras mais utilizadas neste trabalho. Em seguida, foram
tratadas algumas formas de se abordar o risco, as abordagens: Determinística, de Cenário e
Estocástica. Agora, foram citados tipos de riscos mais comuns encontrados na área de óleo e gás,
como: Risco de Exploração, Risco de Perfuração e o Risco de Produção. Foi tratado também das
estimativas de risco e de seu importante papel na avaliação do risco para determinar se uma
empresa se envolverá no projeto ou não. E por último, foi estudada a análise de sensibilidade que
determina o quanto o payoff é sensível as variáveis de entrada, para isso foram usados os gráficos
de radar e de tornado que tornam essa análise muito mais visual e robusta.
No capítulo três, a atenção é direcionada para a determinação da probabilidade da
ocorrência de vários possíveis resultados para uma decisão. Desse modo, foi introduzida a
Análise Bayesiana, que é um método estatístico usado para revisar as estimativas de
probabilidade a partir de novas informações. Assim, torna-se possível revisar ou reavaliar as
estimativas iniciais de probabilidade (risco) assim que novas informações se tornam disponíveis,
desempenhando grande importância para a tomada de decisão (aceitar ou rejeitar o projeto). Em
seguida, foi estudado o valor da informação que tem como objetivo estimar o valor de um
exercício de coleta de informações para que a decisão de implementá-lo ou não seja feita com
uma base econômica. Por último, foi mostrado um exemplo para demonstrar na prática o uso de
tudo o que foi dito durante esse capítulo e, inclusive, introduzir um conceito muito importante
para projetos que é conhecido como MAC (minimum acceptable chance), mostrando assim a
robustez desse exemplo, afinal é um caso encontrado no dia a dia de quem trabalha nessa área.
66
Finalmente, o capítulo 4 discorre sobre a árvore de decisão, que é uma representação
gráfica de uma sequência de eventos e seus possíveis resultados. Para isso, primeiro, é explicado
o que é a árvore de decisões e suas principais vantagens na análise de risco. Em seguida, foi
mostrado o arranjo e a simbologia da árvore, onde foi explicado o que significa cada ramo e cada
nó e, também, foi introduzido o uso do software do PrecisionTree que foi utilizado para a análise
dos estudos de caso, o qual, também teve a sua simbologia detalhada. Agora, tem-se o início da
análise dos estudos de caso, o primeiro que foi analisado é conhecido como “Oil Wildcatting”,
que traz o problema de decidir perfurar um local com um menor custo de perfuração, porém com
um menor retorno financeiro ou então perfurar um local com maior custo de perfuração, só que
com uma maior probabilidade de um melhor retorno financeiro. Para essa análise, foi montada a
árvore de decisão do problema e o software trouxe como saída à árvore de decisão ótima do
problema, o gráfico de probabilidade, o gráfico de probabilidade cumulativa e um resumo
estatístico, que fizeram com que a análise desse caso fosse muito mais completa e objetiva. O
último estudo de caso foi o da Árvore complexa, que como o próprio nome diz, é mais complexo
do que o anterior. Nele existem mais variáveis que no anterior, por exemplo, neste problema
existe o preço do óleo e o CAPEX, que serão variáveis importantes no decorrer da análise, além
dessas existe também a variável de fazer ou não uma sísmica, que vai ampliar o campo de
análise. Após a entrada de dados e montagem da árvore no software, foram obtidas as mesmas
saídas anteriores, porém devido a maior complexidade foi decidido realizar também uma análise
de sensibilidade unidirecional, analisando o impacto da variável do preço do óleo, e uma análise
de sensibilidade bidirecional, analisando o impacto da variável preço do óleo e da variável
CAPEX.
O anseio é que o leitor, ao final dessa monografia, tenha alcançado o conhecimento
pertinente a cada capitulo discutido assim como a sua respectiva função dentro da análise de
riscos de projetos de exploração e produção de óleo e gás. Desse modo, foi possível concluir que
esse estudo atingiu o objetivo proposto, isto é, a criação de uma literatura didática e que ressalte
a importância da avaliação de projetos na indústria petrolífera. Por fim, esta monografia poderá
ser utilizada como fonte de teoria e de exemplos para futuros trabalhos para cursos ligados a este
tema e, para estes trabalhos, fica a sugestão da realização de novos estudos de casos seguindo a
linha utilizada nos exemplos vistos anteriormente.
67
Referências
[1] BRATVOLD, R.B., BEGG, S., Making Good Decisions. 1 ed. [S.L]. Society of Petroleum
Engineers, 2010.
[2] Daston, Lorraine (1988). Classical Probability in the Enlightenment. [S.l.]: Princeton Univ
Press. p. 268. ISBN 0-691-08497-1
[3] Laplace, Pierre-Simon et al. Mémoire sur la probabilité des causes par les
évènements. Mémoires présentés par divers savants [à l’Académie royale des sciences], Paris,
Imprimerie royale, v. 6, p. 621-656, 1774.
[4] Laplace, Pierre-Simon. Mémoire sur les approximations des formules qui sont fonctions de
tres grands nombres. Œuvres completes X, Paris, p. 209-291, 1785.
[5] MEYER, P.L., Probabilidade: Aplicações à Estatística. 2 ed. Rio de Janeiro, LTC, 1983.
[6] NEWENDORP, P.D., SCHUYLER, J.R., Decision Analysis for Petroleum Exploration. 1
ed. Colorado, Planning Press, 1975.
[7] Oilfield Glossary. Disponível em:
<https://www.glossary.oilfield.slb.com/en/Terms/m/mud_program.aspx>. Acesso em: 10 nov
2018
[8] 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 jan 2019.
[9] 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
jan 2019.
[10] Risk. Disponível em: <https://dictionary.cambridge.org/pt/dicionario/ingles/risk>. Acesso
em: 10 nov 2018
[11] TRIOLA, M. F., Introdução à Estatística. 1 ed. Rio de Janeiro, LTC, 1999.
[12] Uncertainty. Disponível em:
<https://dictionary.cambridge.org/pt/dicionario/ingles/uncertainty >. Acesso em: 10 nov 2018
68
[13] de Oliveira, André Luiz Soares; de Albuquerque, Bruno Pereira; Carneiro, Rafael. Teorema
de bayes – Exemplo de Aplicação. Rio de Janeiro, 2010.
[14] Kulatilaka, N., Amram, M., Real Options: Managing Strategic Investment in an
Uncertain World, 1ed, Boston, Harvard Business School Press, 1999.
[15] Lerche, I., Mackay, J. A., Economic Risk in Hydrocarbon Exploration, Elsevier Science
& Technology Books, 1999.
[16] Motta, Regis da Motta; Calôba, Guilherme Marques; Análise de Investimentos: Tomada
de Decisão em Projetos Industriais, Editora Atlas S.A., São Paulo, 2002.
[17] MURTHA, J., Decision Involving Uncertainty: An @RISK Tutorial for the Petroleum
Industry. 2 ed. New York, Palisade Corporation, 2008