Prefacio
1
Contexto
1.1
Clasificación de Riesgos según los Pilares de Basilea
1.2
Métodos de Medición del Riesgo Operacional según Basilea
2
Fundamentos de Estadística Aplicada a la Gestión de Riesgos
2.1
Estadística descriptiva: Medidas de tendencia central y dispersión en eventos de riesgo.
2.2
Estadística inferencial: Intervalos de confianza y pruebas de hipótesis en gestión de riesgos.
2.3
Test sobre una y dos muestras
2.4
Correlación
2.5
Análisis de datos históricos de eventos adversos.
3
Distribuciones de Severidad de la Pérdida en Riesgos No Financieros
3.1
Conceptos básicos de distribuciones de probabilidad aplicadas a la severidad de pérdidas.
3.2
Distribuciones clásicas y modernas: o Lognormal, Normal, Burr, Exponencial y su interpretación en eventos de riesgo.
3.3
Implementación en R.
3.4
Ajuste de distribuciones a datos históricos de pérdidas.
4
Estimaciones de Umbrales y Modelos de Frecuencia
4.1
Métodos de estimación de umbrales de pérdida en eventos de riesgo.
4.2
Distribuciones de frecuencia: Binomial y Poisson aplicadas a la ocurrencia de eventos adversos.
4.3
Ajuste de distribuciones de frecuencia con datos reales (MLE, Q-Q plots).
4.4
Implementación en R.
5
Selección del Modelo Óptimo para la Evaluación del Riesgo
5.1
Comparación de modelos de distribución de pérdidas y eventos de riesgo.
5.2
Evaluación de bondad de ajuste: Kolmogorov-Smirnov, Chi-cuadrado, AIC/BIC.
5.3
Métodos de validación y selección del mejor modelo.
5.4
Programación en R para evaluar y seleccionar modelos.
6
Simulación Monte Carlo y Métodos de Reducción de Varianza
6.1
Introducción a la simulación Monte Carlo en evaluación de riesgos no financieros.
6.2
Aplicación en distintos tipos de riesgos: operacionales, estratégicos, regulatorios.
6.3
Métodos de reducción de varianza: estratificación, muestreo de importancia.
6.4
Implementación en R.
7
Estimación del Valor en Riesgo (VaR) y Pérdida Esperada/No Esperada en Riesgos No Financieros
7.1
Concepto de Valor en Riesgo (VaR) aplicado a distintos eventos de riesgo.
7.2
Pérdida esperada y no esperada en riesgos no financieros.
7.3
Métodos de estimación: o Histórico, Paramétrico y Monte Carlo en gestión de riesgos.
7.4
Implementación de modelos de VaR en R.
7.5
Proyecto final: desarrollo de un modelo de evaluación de riesgos no financieros.
8
Referencias
Modelos Cuantitativos para la Gestión del Riesgo Operativo, Tecnológico y de Ciberseguridad en R
4.3
Ajuste de distribuciones de frecuencia con datos reales (MLE, Q-Q plots).