Mi Portafolio
Inicio¿Cómo funciona?Ver plantillasCrear mi portafolio
Saltar al contenido
Mi Portafolio / Plantilla 13Perfil y contenido de demostración
Nicolás Vega
Actuario

Actuaría / Riesgo / Datos

Ciudad de México · Ubicación de ejemplo

Nicolás
Vega.

Portafolio personal
Nombre y perfil ficticios

Entender la incertidumbre.
Dar claridad a las decisiones.

Conecto modelos, datos y contexto para explicar el riesgo y convertir preguntas complejas en análisis comprensibles.

Hablemos Explorar proyectos

01 / Sobre mí

Detrás de cada modelo,
una pregunta importante.

Soy Nicolás Vega, actuario de este perfil demostrativo. Mi práctica de muestra conecta la modelación de riesgos con el análisis de datos y la comunicación técnica. En los ejercicios de este portafolio exploro carteras sintéticas, comparo escenarios y documento procesos de calidad. Me interesa explicar qué puede decir un modelo, qué supuestos lo sostienen y dónde termina su alcance. Mi enfoque parte de una pregunta clara, continúa con evidencia reproducible y termina con una lectura útil para quien toma decisiones.

01Preguntar con precisión.

02Modelar con criterio.

03Explicar con claridad.

02 / Habilidades

Método antes
que intuición.

Capacidades de ejemplo aplicadas en los proyectos de este portafolio.

Python / R / SQL / Git

  1. 01

    Modelación de riesgos

    Frecuencia, severidad y análisis de sensibilidad.

  2. 02

    Estadística

    Estimación, regresión y validación de supuestos.

  3. 03

    Probabilidad

    Distribuciones y construcción de escenarios.

  4. 04

    Análisis de datos

    Exploración, calidad y visualización de información.

  5. 05

    Programación

    Python, R y SQL para procesos reproducibles.

  6. 06

    Comunicación técnica

    Hallazgos claros, con contexto y limitaciones.

03 / Proyectos seleccionados

Preguntas reales.
Ejercicios ficticios.

Tres casos para conocer mi forma de trabajar. Todos los contextos, datos y resultados son de demostración.

01 / Modelación actuarial / 2025

Leer el riesgo.

Una cartera sintética para explorar la frecuencia de siniestros y hacer visibles sus supuestos.

Ver caso de muestra
Frecuencia por segmentoDatos ficticios

Siniestros por cada 100 pólizas

A
4
B
7
C
10

Escala desde 0 hasta 10 · Ejercicio ilustrativo

Explorar contexto, proceso y resultado
Contexto / Cliente
Ejercicio independiente · aseguradora ficticia, sin cliente real. Cartera de 1,000 pólizas generadas para esta demostración.
Mi rol
Diseño del conjunto sintético, modelación e interpretación de escenarios.
Problema
Comparar perfiles de frecuencia sin confundir una estimación con una certeza.
Solución
Agrupar exposiciones, ajustar un modelo de frecuencia y documentar sus límites con escenarios alternativos.
Herramientas
Python · pandas · statsmodels · Jupyter
Resultado demostrativo
Entrega de muestra: tres segmentos comparables y una ficha de supuestos. Las frecuencias ilustradas son 4, 7 y 10 siniestros por cada 100 pólizas; no son resultados de una cartera real.

02 / Probabilidad y simulación / 2025

Explorar futuros.

Un estudio de sensibilidad para entender cómo cambian los recursos proyectados entre escenarios.

Ver caso de muestra
Índice al año 5Datos ficticios

Unidades de índice · inicio = 100

Bajo
90
Base
110
Alto
130

Escala desde 0 hasta 150 · Ejercicio ilustrativo

Explorar contexto, proceso y resultado
Contexto / Cliente
Caso académico de un fondo ficticio, sin institución ni recursos reales. Índice inicial definido en 100 unidades.
Mi rol
Construcción de escenarios y comunicación de los supuestos del ejercicio.
Problema
Una proyección única ocultaba la sensibilidad de los resultados a diferentes hipótesis.
Solución
Contrastar tres escenarios al mismo horizonte y acompañar cada lectura con sus supuestos y limitaciones.
Herramientas
R · tidyverse · ggplot2 · Quarto
Resultado demostrativo
Entrega de muestra: comparación de tres escenarios a cinco años, con índices ficticios de 90, 110 y 130. No representan pronósticos ni rendimientos ofrecidos.

03 / Análisis y calidad de datos / 2024

Ordenar la evidencia.

Un proceso reproducible para detectar inconsistencias antes de construir un modelo.

Ver caso de muestra
Auditoría del conjuntoDatos ficticios

Registros · total = 100

Válidos
80
Incompletos
15
Duplicados
5

Escala desde 0 hasta 100 · Ejercicio ilustrativo

Explorar contexto, proceso y resultado
Contexto / Cliente
Laboratorio personal con 100 registros artificiales, sin empresa ni información de personas reales.
Mi rol
Diseño de reglas de validación, consultas y reporte de calidad.
Problema
Campos incompletos y duplicados impedían interpretar de forma consistente el conjunto de prueba.
Solución
Separar registros válidos, incompletos y duplicados mediante reglas explícitas y verificables.
Herramientas
SQL · Python · pandas · Git
Resultado demostrativo
Entrega de muestra: bitácora que clasifica 80 registros válidos, 15 incompletos y 5 duplicados. Son categorías excluyentes de un conjunto enteramente ficticio.

04 / Trayectoria

Una práctica
en construcción.

Cronología ficticia para ilustrar experiencia y formación. No acredita estudios ni relaciones laborales reales.

2024 — 2025

Analista actuarial

Laboratorio de riesgos · organización ficticia

Desarrollo de ejercicios de frecuencia y sensibilidad con carteras sintéticas.

Entrega de muestra: documentación reproducible de tres escenarios.

2023 — 2024

Analista de datos

Estudio de datos · organización ficticia

Diseño de consultas y reglas de validación para conjuntos artificiales.

Entrega de muestra: bitácora de calidad con categorías verificables.

2019 — 2023

Formación en Actuaría

Institución de ejemplo · formación ficticia

Estudio demostrativo de probabilidad, estadística y programación.

Proyecto de muestra: comparación de modelos sobre datos simulados.

05 / Servicios de ejemplo

Del análisis
a la colaboración.

Áreas de colaboración ilustradas por los ejercicios anteriores.

01

Análisis de riesgos

Construcción y comparación de escenarios con supuestos documentados.

Para comprender qué variables modifican la exposición al riesgo.

02

Modelación estadística

Exploración de datos y desarrollo de modelos interpretables.

Para evaluar hipótesis y comunicar el alcance de una estimación.

03

Procesos de datos

Validación y organización de información con flujos reproducibles.

Para detectar inconsistencias y facilitar la revisión del análisis.

06 / Contacto

Toda colaboración
empieza con una
buena pregunta.

¿Qué te gustaría entender mejor? Hablemos del contexto, los datos y el propósito de tu proyecto.

Correo de ejemplo

nicolas.vega@example.com

Dirección demostrativa, sin atención real. Sustituir por el correo del profesional al personalizar.

Hablemos por correo