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
Correlación
2.4
Análisis de datos históricos de eventos adversos
2.5
Ejercicios
3
Distribuciones de Severidad de la Pérdida en Riesgos No Financieros
3.1
Estimación por Máxima Verosimilitud (MLE)
3.2
AIC (Akaike information critetion) y BIC (Bayesian information criterion)
3.3
Conceptos básicos de distribuciones de probabilidad aplicadas a la severidad de pérdidas
3.4
Distribuciones aplicadas a la severidad de pérdidas
3.5
Implementación en R
3.6
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
4.3
Ajuste de distribuciones de frecuencia con datos reales
5
Simulación Monte Carlo y convolución
5.1
Introducción a la simulación Monte Carlo en evaluación de riesgos no financieros
5.2
Ejemplo ilustrativo: estimación de
\(\pi\)
5.3
Aplicación en riesgos potenciales
5.4
Mejores prácticas
6
Estimación del Valor en Riesgo (VaR) y Pérdida Esperada/No Esperada en Riesgos No Financieros
6.1
Objetivos
6.2
Mapa de métodos
6.3
Introducción: Riesgos no financieros y la necesidad de medición extrema
6.4
VaR, EL y UL
6.5
Métodos de estimación del VaR
6.6
Herramienta interactiva: ShinyApp de VaR
6.7
Modelación de severidad y frecuencia
6.8
Casos reales y lectura de resultados
6.9
Conclusiones
6.10
Recursos adicionales
6.11
Cuestionario
7
Referencias
Modelos Cuantitativos para la Gestión del Riesgo Operativo, Tecnológico y de Ciberseguridad en R
5
Simulación Monte Carlo y convolución