Las medidas de riesgo se utilizan comúnmente para prepararse ante la posible ocurrencia de un evento adverso. Si nos preocupamos por fenómenos de riesgo discretos, como el conteo de desastres naturales, el conteo de infecciones por una enfermedad grave o el conteo de ciertos eventos económicos, entonces las previsiones de riesgo requeridas deben calcularse para un proceso de conteo subyacente. Sin embargo, en la práctica, la naturaleza discreta de los datos de conteo a veces se ignora y las previsiones de riesgo se calculan basándose en modelos de series temporales gaussianas. Pero incluso si se utilizan métodos del análisis de series temporales de conteo de manera adecuada, el rendimiento de la previsión de riesgo se ve afectado por la incertidumbre en la estimación, así como por ciertos fenómenos de discreción. Para obtener una visión completa de los problemas mencionados anteriormente en la previsión de riesgo de procesos de conteo, se realizó un estudio de simulación integral considerando una amplia variedad de medidas de riesgo y modelos de series temporales de conteo. Queda claro que las previsiones de riesgo gaussianas aproximadas distorsionan sustancialmente la evaluación del riesgo y, por lo tanto, deben evitarse. Para tener en cuenta la aparente incertidumbre en la estimación en la previsión de riesgo, utilizamos enfoques de bootstrap para series temporales de conteo. La relevancia y la aplicación de los enfoques propuestos se ilustran con ejemplos de datos reales sobre conteos de marejadas y conteos de transacciones financieras.