Introducción: cuando una factura se convierte en una clase de estadística 💡
El precio mayorista de la electricidad ha vuelto a ser protagonista. Una subida del 22% que sitúa el MWh en torno a los 56,03 € no es solo un titular económico: es una oportunidad de oro 🎯 para enseñar en el aula cómo se construyen los indicadores, cómo se interpretan las series temporales y por qué la estadística es una herramienta imprescindible para entender el mundo que nos rodea.
En Canaldocente queremos ir más allá de la noticia. Vamos a desmenuzar este aumento desde la perspectiva del análisis de datos 📊, planteando métricas, KPIs, modelos sencillos y propuestas didácticas que pueden trasladarse directamente a clases de Matemáticas, Economía, Tecnología o Ciencias Sociales.
Contexto de la noticia: ¿qué significa exactamente esta subida? 🔎
El precio mayorista de la electricidad en el mercado ibérico (conocido como pool) se fija diariamente cruzando la oferta de las empresas generadoras con la demanda prevista. Cuando hablamos de 56,03 €/MWh, nos referimos al precio medio diario al que se cierran esas subastas. Una subida del 22% implica que, partiendo de un valor previo cercano a los 45,93 €/MWh, el coste mayorista se ha encarecido en algo más de 10 € por cada megavatio-hora.
Para el alumnado, este dato es perfecto para practicar el cálculo de variaciones porcentuales, índices base 100 y comparaciones interanuales. La fórmula es sencilla:
- Variación (%) = ((Precio actual − Precio anterior) / Precio anterior) × 100
- En nuestro caso: ((56,03 − 45,93) / 45,93) × 100 ≈ 22% ✅
¿Por qué sube el precio? Factores explicativos 🧠
El precio de la luz es una variable dependiente que reacciona a múltiples factores. Identificarlos es el primer paso para cualquier modelo estadístico:
- Mix energético: menor aportación de renovables (eólica, hidráulica, solar) obliga a usar gas o carbón, más caros.
- Demanda térmica: olas de frío o calor disparan el consumo de climatización.
- Precio del gas natural (TTF): al fijar el coste marginal en muchas horas, arrastra el precio total.
- Derechos de emisión de CO₂: el coste de contaminar también se traslada al MWh.
- Geopolítica: conflictos, restricciones de suministro y tipos de cambio.
Relevancia para el análisis de datos 📈
Esta noticia es un laboratorio estadístico en miniatura. Permite trabajar simultáneamente con variables cuantitativas continuas (precio, demanda, temperatura), variables cuantitativas discretas (número de días con precio superior a un umbral) y variables cualitativas (tipo de fuente energética, comunidad autónoma, tramo horario: punta, llano o valle).
Variables que conviene estudiar
| Variable | Tipo | Unidad | Utilidad analítica |
|---|---|---|---|
| Precio MWh | Cuantitativa continua | €/MWh | Serie temporal principal |
| Demanda eléctrica | Cuantitativa continua | GWh | Correlación con precio |
| Temperatura media | Cuantitativa continua | °C | Variable exógena explicativa |
| Tipo de fuente | Cualitativa nominal | — | Análisis del mix |
| Tramo horario | Cualitativa ordinal | Punta/Llano/Valle | Discriminación de precios |
| Día de la semana | Cualitativa ordinal | L–D | Estacionalidad semanal |
Métricas y KPIs para vigilar el mercado eléctrico 🧮
Si fuéramos analistas de datos en una empresa energética o en una administración pública, estos serían algunos de los indicadores clave que monitorizaríamos en un cuadro de mando:
- Precio medio mensual (€/MWh): tendencia general.
- Volatilidad (desviación típica diaria): riesgo de mercado.
- Tasa de crecimiento interanual (%): comparación año a año.
- Coste energético por hogar (€/mes): impacto social.
- Ratio precio/temperatura: sensibilidad climática.
- % renovables en el mix: sostenibilidad y dependencia del gas.
- Diferencial punta-valle: oportunidad para el ahorro doméstico.
Tabla de datos ilustrativos para el aula ⚡
La siguiente tabla contiene datos ilustrativos para uso docente (no son cifras oficiales). Sirve para practicar cálculos de variación, medias móviles y representaciones gráficas:
| Mes | Precio medio (€/MWh) | Demanda (GWh) | % Renovables | Tª media (°C) |
|---|---|---|---|---|
| Enero | 62,10 | 22.450 | 38% | 7,8 |
| Febrero | 58,40 | 20.980 | 41% | 9,1 |
| Marzo | 49,75 | 19.620 | 47% | 11,4 |
| Abril | 45,93 | 18.870 | 52% | 14,2 |
| Mayo | 56,03 | 19.240 | 45% | 17,8 |
| Junio | 61,20 | 21.110 | 43% | 22,5 |
Fuente: ejemplo didáctico inspirado en datos públicos de OMIE y Red Eléctrica de España (REE).
Propuesta de análisis estadístico 📚
Con la tabla anterior, el alumnado puede realizar un recorrido completo por la estadística descriptiva e inferencial:
- Medidas de tendencia central: media, mediana y moda del precio mensual.
- Medidas de dispersión: rango, varianza, desviación típica y coeficiente de variación.
- Diagrama de caja (boxplot): detección de valores atípicos.
- Tabla de frecuencias: agrupando precios en intervalos (≤50, 50–60, >60).
- Correlación de Pearson: entre precio y % renovables (se espera correlación negativa).
Posible modelo estadístico: regresión lineal múltiple ✏️
Un modelo accesible para Bachillerato o ciclos formativos sería:
Precio = β₀ + β₁·Demanda + β₂·Temperatura + β₃·(% Renovables) + ε
Este modelo permite cuantificar cuánto sube el precio por cada GWh extra de demanda o cuánto baja por cada punto porcentual adicional de generación renovable. Para series largas se podría dar el salto a modelos ARIMA o SARIMA, capaces de capturar la estacionalidad semanal y anual del consumo eléctrico.
Visualización recomendada 📊
El gráfico ideal para esta noticia es una combinación de línea temporal y gráfico de barras (gráfico combinado):
- Eje X: meses del año.
- Eje Y izquierdo (barras): precio medio en €/MWh.
- Eje Y derecho (línea): porcentaje de renovables en el mix.
Como alternativa, un diagrama de dispersión entre precio y % renovables ayuda a visualizar correlaciones, y un mapa de calor con horas en el eje Y y días en el eje X muestra patrones de tramo punta-valle.
Plantilla base para el gráfico combinado:
| Mes | Precio (€/MWh) | % Renovables |
|---|---|---|
| Ene | 62,10 | 38 |
| Feb | 58,40 | 41 |
| Mar | 49,75 | 47 |
| Abr | 45,93 | 52 |
| May | 56,03 | 45 |
| Jun | 61,20 | 43 |
Aplicación didáctica: cómo trabajar esta noticia en clase 🏆
Esta noticia puede integrarse en distintos niveles educativos con enfoques específicos:
Secundaria (ESO)
- Calcular el porcentaje de subida y traducirlo a la factura familiar.
- Construir un diagrama de barras con los precios mensuales.
- Debate: ¿cómo cambia tu consumo en casa según el tramo horario?
Bachillerato
- Calcular media, mediana, varianza y coeficiente de variación.
- Estudiar la correlación entre dos variables (precio y temperatura).
- Plantear hipótesis y contrastarlas con un test de medias.
FP y Ciclos formativos
- Diseñar un dashboard en Excel, Power BI o Tableau.
- Programar un análisis exploratorio en Python (pandas, matplotlib) o R.
- Simular una predicción del precio del MWh para el próximo trimestre.
Preguntas para el aula 🧠
- Si el precio sube un 22% y la familia consumía 300 kWh al mes, ¿cuánto pagará de más al año?
- ¿Qué relación esperas encontrar entre el % de generación renovable y el precio del MWh? Justifica tu respuesta.
- ¿Por qué la media puede no ser la mejor medida para describir el precio de la luz en un mes con valores atípicos?
- ¿Qué sesgos podrían aparecer si solo analizamos los precios de un único país o una única semana?
- ¿Es razonable afirmar que «la luz sube siempre»? ¿Cómo lo demostrarías o refutarías con datos?
- Diseña un KPI propio para medir la «salud» del mercado eléctrico desde el punto de vista del consumidor.
- ¿Qué tipo de gráfico elegirías para comunicar esta noticia a una audiencia no experta y por qué?
- ¿Qué variables incluirías en un modelo predictivo del precio de la luz a 30 días vista?
Conclusión: la estadística como linterna para entender la realidad ✅
Un titular como «la luz sube un 22%» puede asustar o pasar desapercibido, pero con las herramientas estadísticas adecuadas se transforma en conocimiento útil. Calcular variaciones, identificar variables explicativas, construir KPIs y representar gráficamente los datos son competencias que el alumnado puede entrenar a partir de noticias reales como esta.
En Canaldocente defendemos que la mejor manera de enseñar estadística es conectarla con el día a día: la factura, el clima, el deporte, la salud o el transporte. Si tus estudiantes son capaces de explicar por qué sube la luz usando datos, habrán aprendido algo mucho más valioso que una fórmula: habrán aprendido a pensar con números. 📈💡
