Energía y la inflación de la eurozona: 3,3% y el dilema del BCE

El indicador clave: la inflación de la eurozona y el precio de la energía

Panel abierto, semáforo en rojo 🚨. La inflación de la eurozona marca un 3,3% interanual empujada por la energía y deja al BCE contra las cuerdas, según publica Yahoo. Ese 3,3% no es una opinión: es un KPI. Mide cuánto más caro está hoy el mismo cesto de bienes y servicios que hace doce meses. Si el KPI vale 2,0, el banco central duerme tranquilo; si vale 3,3, alguien tiene que decidir algo. Vigila el número, pero sobre todo vigila de dónde viene: si el 30% del incremento total lo aporta un solo componente —la energía—, el diagnóstico y el tratamiento cambian por completo. 📊

En este panel del martes convertimos la noticia en cuadro de mando y le aplicamos una metodología de aprendizaje no supervisado: las mixturas gaussianas (GMM). La pregunta operativa es directa: ¿los meses de la eurozona pertenecen todos al mismo «régimen» de precios, o conviven varios regímenes solapados que un simple promedio esconde?

KPIs secundarios que lo acompañan

Un dashboard con un solo número miente por omisión. El titular es el IPCA general, pero la decisión se toma leyendo el panel completo. Estos son los indicadores que deben acompañarlo, cada uno con su función de vigilancia:

• IPCA subyacente (excluye energía y alimentos frescos): responde a si la presión de precios se ha «contagiado» al resto de la economía. Es el KPI que separa un shock temporal de un problema estructural. 🔎
• Variación interanual del componente energía: el motor del titular. Es el KPI más volátil del panel y el que más ruido mete en cualquier media.
• Difusión (porcentaje de subcomponentes que suben por encima del 2%): mide amplitud, no intensidad. Un 3,3% con difusión baja es un problema; con difusión alta es otro problema distinto.
• Expectativas de inflación a 5 años: el KPI de credibilidad. Si se desanclan, el banco central pierde su principal herramienta, que es que le crean.
• Dispersión entre países: la eurozona es una media de veinte economías. Una desviación típica alta entre estados avisa de que una política única servirá mal a varios socios.

Regla de sala de control: prioriza la subyacente sobre el titular cuando el titular está dominado por un componente volátil, y dispara alerta solo cuando dos o más KPIs cruzan umbral a la vez. Un indicador aislado en rojo es una anécdota; tres coordinados son una tendencia. 💡

Los datos para construir el panel (tabla + Figura 1)

Para armar el cuadro de mando necesitamos una serie mensual con, como mínimo, la inflación general y la variación de la energía. Las series reales están disponibles y son gratuitas en la base de datos del IPCA de Eurostat, que publica el índice desglosado por componentes COICOP y por país. La tabla siguiente es una reconstrucción simplificada de doce meses para el aula: reproduce el patrón descrito en la noticia (arranque cerca del 2,5%, repunte hasta el 3,3% arrastrado por la energía), pero los valores están redondeados y estilizados para que los cálculos se puedan hacer a mano.

Tabla 1. Serie mensual de inflación de la eurozona y variación del componente energético — datos ilustrativos para uso docente, construidos para replicar el patrón descrito en la noticia.

Mes	IPCA general (%)	Energía, var. interanual (%)	IPCA subyacente (%)	Régimen aparente
Ago (año anterior)	2,4	1,5	2,3	Calma
Sep	2,3	0,8	2,3	Calma
Oct	2,5	2,0	2,4	Calma
Nov	2,4	1,2	2,3	Calma
Dic	2,6	3,1	2,4	Transición
Ene	2,5	2,6	2,4	Calma
Feb	2,7	4,4	2,4	Transición
Mar	2,9	6,0	2,5	Transición
Abr	3,0	7,8	2,5	Tensión
May	3,1	9,0	2,6	Tensión
Jun	3,2	10,4	2,6	Tensión
Jul	3,3	11,5	2,7	Tensión

Lee la tabla con ojos de analista, no de lector de titulares: mientras el IPCA general sube 0,9 puntos en doce meses, la subyacente apenas se mueve 0,4 puntos y la energía se dispara 10 puntos. La media aritmética del año (2,74%) no describe bien a ningún mes concreto: hay un bloque de meses tranquilos y otro bloque de meses tensos, y promediarlos produce un número que no le pasa a nadie. Ese es exactamente el síntoma que justifica una mixtura. 🧮

Diseño del dashboard y la metodología (Figura 2)

El panel no termina en las tarjetas de arriba. Debajo de cada KPI hay una decisión de diseño y, debajo de esa decisión, un modelo estadístico. Aquí el modelo asignado son las mixturas gaussianas, y encajan con la lógica de un cuadro de mando por una razón muy concreta: permiten que el semáforo deje de ser binario. 🧠

Qué es una mixtura gaussiana en dos minutos

Un modelo GMM asume que los datos observados no proceden de una única campana de Gauss, sino de la mezcla de varias campanas superpuestas, cada una con su propia media, su propia dispersión y un peso que indica cuánto contribuye al total. Formalmente, la densidad se escribe como p(x) = Σ πk · N(x | μk, Σk), donde πk es el peso del componente k (todos los pesos suman 1), μk su media y Σk su matriz de covarianza. Aplicado a nuestro caso: cada mes de la eurozona sería una observación en un espacio de dos variables (energía e IPCA general), y cada componente de la mixtura sería un régimen de precios distinto.

Por qué GMM y no k-means

Esta es la diferencia que hay que explicar en clase. K-means asigna cada mes a un grupo y punto: es una asignación dura. GMM devuelve probabilidades de pertenencia: el diciembre de la tabla puede ser un 62% «calma» y un 38% «tensión». Para un dashboard de política monetaria eso vale oro, porque el indicador que interesa no es «¿en qué régimen estamos?» sino «¿qué probabilidad hay de que ya hayamos entrado en el régimen malo?». Además, k-means solo dibuja grupos esféricos del mismo tamaño; GMM ajusta elipses con orientación y anchura propias, y aquí eso importa porque el régimen de tensión es mucho más disperso en el eje de la energía que en el del IPCA general.

Cómo se ajusta: el algoritmo EM

Las mixturas gaussianas se estiman con el algoritmo Esperanza-Maximización (EM), que alterna dos pasos hasta converger:

1. Paso E (esperanza): con los parámetros actuales, calcula para cada mes la probabilidad de pertenecer a cada régimen (las llamadas «responsabilidades»).
2. Paso M (maximización): con esas probabilidades como pesos, recalcula la media, la covarianza y el peso de cada componente.
3. Repite hasta que la verosimilitud deja de mejorar. El número de componentes se elige comparando el BIC o el AIC entre modelos con 1, 2, 3… componentes: gana el que penaliza mejor la complejidad. En Python bastan tres líneas con sklearn.mixture.GaussianMixture(n_components=2).fit(X), y las probabilidades salen con .predict_proba(X).

Honestidad pedagógica ✅: con doce observaciones no se ajusta un GMM serio —haría falta una serie larga, idealmente veinte o treinta años de datos mensuales de Eurostat, y trabajar con tasas ya desestacionalizadas—. Lo que sí es legítimo es usar esta tabla reducida para ver cómo se plantea el problema, qué devuelve el modelo y cómo se lee. La Figura 2 muestra el resultado de ese planteamiento sobre nuestros doce meses.

Lo que devuelve el modelo se traduce directamente a tarjetas de panel: el componente 1 agrupa los meses de energía plana e IPCA en torno al 2,45%; el componente 2 agrupa los meses de energía en doble dígito e IPCA por encima del 3%. Y entre ambos hay una franja —febrero, marzo, diciembre— donde el modelo no se moja: reparte la probabilidad. Ese reparto es el KPI más útil de todo el dashboard, porque convierte «estamos en tensión» en «hay un 78% de probabilidad de que estemos en el régimen de tensión», que es una frase sobre la que un comité puede votar.

Alertas y umbrales

Un panel sin umbrales es un adorno. Estos son los disparadores que propondríamos para la inflación de la eurozona, combinando lectura directa de KPIs y salida del modelo GMM:

Tabla 2. Matriz de alertas del panel — umbrales propuestos con fines docentes.

Nivel	Condición sobre los KPIs	Señal del GMM	Acción de sala de control
🟢 Verde	IPCA ≤ 2,2% y subyacente ≤ 2,2%	P(tensión) < 0,25	Monitoriza. Sin cambio de política.
🟡 Ámbar	IPCA entre 2,3% y 2,9%	P(tensión) entre 0,25 y 0,60	Vigila expectativas y difusión. Prepara escenarios.
🟠 Naranja	IPCA ≥ 3,0% con subyacente < 2,8%	P(tensión) > 0,60 y energía dominante	Shock de oferta probable: evalúa si es transitorio antes de mover tipos.
🔴 Rojo	IPCA ≥ 3,0% y subyacente ≥ 2,8%	P(tensión) > 0,80 con difusión alta	Dispara alerta: contagio a la subyacente. Endurecimiento sobre la mesa.

Con los datos de julio de la tabla (IPCA 3,3%, subyacente 2,7%, energía 11,5%) el panel se sitúa en naranja, no en rojo: la presión es intensa pero todavía concentrada en un componente. Ese matiz es justo el que un titular de prensa no puede dar y un cuadro de mando sí. 🎯

Qué decisiones permite tomar

El objetivo de un dashboard no es ser bonito, es acortar el camino entre el dato y la decisión. Con este panel sobre la mesa, las decisiones que quedan iluminadas son cuatro:

• Esperar o subir tipos. Si el modelo asigna alta probabilidad al régimen de tensión pero la subyacente sigue anclada, el argumento para esperar es sólido: subir tipos no abarata el gas. Si la probabilidad se mantiene alta durante varios meses y la subyacente empieza a moverse, el argumento se invierte.
• Comunicar con probabilidades, no con certezas. Un banco central que dice «vemos un 70% de probabilidad de haber entrado en un régimen de precios más alto» transmite mejor la incertidumbre real que uno que afirma categorías cerradas y luego tiene que rectificar.
• Detectar el punto de giro antes que la media. Un promedio móvil reacciona tarde por construcción. La probabilidad de pertenencia de un GMM se mueve en cuanto un mes cae en la cola de la otra campana, y eso adelanta la señal.
• Diseñar medidas selectivas. Si el régimen de tensión está definido por el eje energético, las medidas fiscales sobre la factura energética atacan el problema donde está, sin frenar toda la economía.

Y una advertencia metodológica que conviene repetir en clase: un GMM describe regímenes, no los explica. Que el modelo separe dos grupos no demuestra que la energía cause la inflación. Para eso hacen falta las herramientas que menciona la noticia original —modelos VAR, funciones impulso-respuesta, contraste de causalidad de Granger—. El clustering probabilístico responde a «¿cuántos estados distintos hay?»; la econometría de series temporales responde a «¿quién empuja a quién?». Son preguntas complementarias, no rivales. 🔎

Aplicación didáctica en el aula

Este panel funciona muy bien en Economía de 2.º de Bachillerato, en Matemáticas Aplicadas a las Ciencias Sociales y en cualquier módulo introductorio de análisis de datos. Se puede montar una sesión doble descargando las series reales de Eurostat y comparándolas con la tabla estilizada; si buscas más propuestas de este estilo, en la sección de recursos para profesores del portal hay material afín sobre tratamiento de datos y estadística aplicada. Estos son los retos, ordenados de menor a mayor exigencia:

1. Lectura de KPI. Calcula la media y la desviación típica del IPCA general de la Tabla 1. ¿Describe bien la media a los meses de julio y de septiembre? Justifica por qué un solo número puede ser un mal resumen. 🧮
2. Separación de componentes. Con los datos de la tabla, estima qué parte de la subida de 0,9 puntos del IPCA se explica por la energía y qué parte por el resto. Compara tu resultado con el 30% que cita la noticia y discute la diferencia.
3. Dibuja la mixtura. Representa los doce meses en un plano (energía en el eje X, IPCA en el eje Y) y dibuja a mano dos elipses que agrupen los puntos. ¿Qué meses te cuesta más asignar? Esos son, literalmente, los de probabilidad intermedia.
4. Duro contra blando. Asigna cada mes a un grupo con la regla de k-means (al centroide más cercano) y compáralo con una asignación probabilística. ¿Qué información se pierde al forzar la decisión? 🧠
5. Elige el número de componentes. Argumenta si el modelo debería tener 2 o 3 componentes. ¿Qué criterio usarías (BIC, AIC, interpretabilidad)? Defiende tu elección en un párrafo, como si fueras el analista del comité.
6. Diseña tu propio umbral. Modifica la Tabla 2 y define tus propios niveles de alerta. Después responde: ¿qué coste tiene una falsa alarma? ¿Y una alarma que llega tarde? Relaciónalo con los errores de tipo I y tipo II.
7. Reto con datos reales. Descarga la serie mensual del IPCA de la eurozona en Eurostat, ajusta un GMM en Python con scikit-learn variando n_components de 1 a 4 y quédate con el de menor BIC. ¿Coincide el número de regímenes con los episodios históricos que conoces (crisis de 2008, pandemia, crisis energética)?
8. Debate final. Un modelo no supervisado no sabe qué es la inflación: solo ve números. ¿Es eso una ventaja o un riesgo cuando el resultado alimenta un cuadro de mando que usan decisores públicos? 💡

Reflexión final

El titular dice 3,3%. El panel dice algo más largo y más honesto: la inflación de la eurozona está por encima del objetivo, el empuje viene sobre todo de la energía, la subyacente aguanta y la probabilidad de estar en un régimen de precios tenso es alta pero no absoluta. Esa frase con matices es la que permite decidir bien, y las mixturas gaussianas son una de las herramientas que la hacen posible, porque sustituyen la etiqueta rígida por un grado de pertenencia. 📚

Para el aula, la lección va más allá de la eurozona: casi cualquier indicador que un centro educativo, una empresa o una administración vigila —resultados académicos, ventas, consumo, absentismo— esconde varios regímenes bajo una única media. Enseñar a sospechar de los promedios, a preguntar «¿cuántas poblaciones hay realmente aquí dentro?» y a expresar la respuesta en probabilidades es una de las competencias analíticas más transferibles que existen. Y se puede empezar con doce filas de una tabla y un par de elipses dibujadas a mano. ✅