1 Resúmen

En el presente informe se realiza un análisis comparativo sobre el impacto acerca de la evolución en la inflación y devaluación de la moneda nacional en Venezuela durante el período comprendido entre 2024 y 2026. El estudio examina su comportamiento desde un esquema de relativa contención cambiaria en 2024, hasta el repunte inflacionario y aceleración de la depreciación del bolívar resgistrado en 2025. Asímismo, evalúa el impacto de choques conyunturales ocurridos a lo largo de 2026 sobre la volatilidad diaria de la tasa de cambio oficial (Bs/USD) y como se refleja directamente en los precios del mercado venezolano, aplicando técnicas de estadística descrptiva y visualización de datos con R.

2 Introducción

El comportamiento de la economía venezolana durante el período 2024-2026 representa un escenario de alto interés cuantitativo para el análisis macroeconómico, caracterizado por la constante interacción entre el tipo de cambio nominal y el índice de precios al consumidor. Tras un período de relativa contención cambiaria durante el año 2024 sustentado en el anclaje del dólar oficial, el sistema monetario enfrentó una marcada aceleración de la depreciación a lo largo del 2025. Este deterioro progresivo de la moneda nacional redujo el margen de maniobra de la política monetaria e incrementó la vulnerabilidad del mercado interno ante distorsiones operativas y variaciones en la liquidez.

En el transcurso del año 2026, la dinámica inflacionaria y cambiaria se vió expuesta a choques conyunturales de diversa índole, destacando los eventos de disrupción institucional registrado el 3 de enero y el fenómeno natural del 24 de junio. Dichos acontecimientos alteraron la prima de riesgo y aceleraron el ritmo de aumento diario de la divisa estadounidense frente al bolívar, lo que provocó un aumento inmediato en los precios de los bienes y productos que consume la población. Por consiguiente, la presente investigación analiza la evolución de la inflación y la devaluación en este período, tomando en cuenta la magnitud de los incrementos cambiarios y la incidencia de las perturbaciones coyunturales sobre la estabilidad socioeconómica del país.

3 Capítulo 1: Planteamiento del Problema

A lo largo de la historia, Venezuela ha sido un país con una economía compleja, dinámica y muy difícil de replicar debido a la interdependencia que existe entre las variables que la conforman. En 2024, se intentaba sostener artificialmente una tasa de cambio baja, a una ruptura inflacionaria y cambiaria en 2025, culminando en un 2026 sumamente volátil donde la moneda nacional ha perdido más de la mitad de su valor en períodos muy cortos, golpeando de manera severa el costo de la canasta básica mientras la gran mayoría de la población sobrevive con ingresos minimos pulverizados.

A pesar de los anuncios gubernamentales sobre recuperación económica, la persistencia de altas tasas de inflación afecta directamente el acceso a bienes y servicios básicos. Tras las eleciones presidenciales y los eventos siguientes, el Banco Central de Venezuela redujo sus ventas de divisas al mercado, causando una depreciación del bolívar. Asímismo, eventos ocurridos en 2026 como la extraditación de Nicolás Maduro Moros el 3 de enero y el devastador sismo doble ocurrido el 24 de junio de ese mismo año, con un impacto economico estimado en más de 14.900 millones de dólares, el sistema económico venezolano y la gestión del Banco Central de Venezuela entraron en una fase de extrema tensión y reevaluación.

Este incremento exponencial del endeudamiento y la consecuente pérdida de credibilidad financiera no solo restringieron la capacidad de maniobra del Banco Central de Venezuela para intervenir en el mercado de divisas, sino que aceleraron la depreciación del bolívar y su posterior impacto en la inflación. Por consiguiente, ante esta compleja realidad socioeconómica, surge la siguiente pregunta de investigación: ¿De qué manera influyeron la devaluación del bolívar y los sucesos coyunturales del 3 de enero y el 24 de junio de 2026 en el incremento de la inflación en Venezuela durante el período 2024-2026?

3.1 Justificación

La justificación de este trtabajo de investigación tiene peso teórico, metodológico y social para futuras investigaciones en economías sujetas a inflaciones persistentes y dolarización de facto. Al evaluar el impacto de distorsiones financieras, choques políticos y eventos adversos sobre la estabilidad monetaria, el trabajo aporta evidencia empírica respecto a la validez de la paridad del poder adquisitivo y la teoría de las expectativas racionales en contextos de alta volatilidad.

Asimismo, desde una perspectiva de relevancia social y documental, el presente estudio se justifica ante el profundo vacío de información oficial y la opacidad estadística institucional que ha caracterizado al Estado venezolano en los últimos años respecto a las cifras macroeconómicas reales. Ante la ausencia de boletines periódicos, transparentes y actualizados por parte de los entes competentes, esta investigación recopila, contrasta y analiza datos dispersos provenientes de fuentes alternativas y del mercado, ofreciendo un registro crítico y necesario que visibiliza la verdadera magnitud de la crisis inflacionaria y cambiaria reciente.

3.2 Objetivos

3.2.1 Objetivo General

Analizar el incremento de la inflación y devaluación de la moneda nacional en Venezuela durante el período 2024-2026

3.2.2 Objetivos Específicos

  • Identificar las tasas de inflación anuales y mensuales reportadas por el Banco Central de Venezuela en el período de estudio.
  • Describir la relación entre la devaluación del bolívar y el alza de precios.
  • Evaluar las proyecciones de organismos internacionales para la economía venezolana en 2026

3.3 Cobertura:

3.3.1 Horizontal

El estudio abarca la economía venezolana en su conjunto, con énfasis en los rectores de alimentos, salud y servicios, que presentaron las mayores variaciones de precios.

3.3.2 Vertical

El estudio se delimita temporalmente al período comprendido entre enero de 2024 y septiembre de 2026, tomando como referencia los reportes mensuales y anuales del Banco Central de Venezuela (BCV) y las cotizaciones diarias de la tasa de cambio oficial (Bs/USD).

3.3.3 Profundidad

La investigación se circunscribe al análisis descriptivo-comparativo de la inflación y la devaluación, sin pretender formular modelos económicos predictivos, sino caracterizar la evolución de ambas variables y su relación con los choques coyunturales del 3 de enero y el 24 de junio de 2026.

4 Capítulo 2: Marco Teórico

Para entender la dinámica inflacionaria y cambiaria en Venezuela durante el período 2024-2026, es indispensable basar el estudio en los principales ejes teóricos de la macroeconomía. Estos fundamentos ayudan a explicar la relación causal entre las variables monetarias, los choques externos y el deterioro del poder adquisitivo de la población.

4.1 Bases Teóricas

En primer lugar, se emplea la Teoría de la Paridad del Poder Adqusitivo (PPA): Este principio postula que el tipo de cambio entre dos monedas debe reflejar de manera proporcional las diferencias entre sus respectivas tasas de inflación interna. En consecuencia, al registrarse una inflación interna persistentemente superior a la de los socios comerciales, la moneda nacional experimenta una depreciación continua orientada a compensar la pérdida de su capacidad de compra frente a la divisa de referencia.

En segundo lugar, se incorpora la Teoría del Mecanismo de Transmisión Cambiaria (Pass-Through): Esta premisa describe la velocidad y la magnitud con la que una variación en el tipo de cambio nominal se traslada directamente hacia el Índice de Precios al Consumidor (IPC). Por consiguiente, debido a la alta dependencia de productos importados e insumos dolarizados en la economía venezolana, cualquier devaluación del bolívar se traslada de manera casi inmediata a los costos de reposición, comercialización y venta de los bienes de consumo final.

En tercer lugar, se integra la Teoría de las Expectativas Relacionales y Cobertura de Riesgo: Dicho enfoque sostiene que los agentes económicos fijan sus precios e imponen primas de protección anticipando escenarios de inestabilidad y volatilidad. Por esta razón, ante acontecimientos de disrupción o incertidumbre, los mercados incrementan preventivamente sus márgenes cambiarios para preservar su capital, transformando las expectativas negativas en una aceleración directa de la inflación

4.1.1 Conceptos Operativos Claves:

A partir de estas directivas teóricas, se definen los conceptos operativos que guiarán la presente investigación:

  • Inflación: Es la pérdida gradual del poder adquisitivo del dinero, mostrada por el aumento sostenido y general de los precios de bienes y servicios en una economía.

  • Devaluación monetaria: Es la reducción oficial del valor de una moneda frente a otra moneda, una cesta o una paridad de referencia. En sentido técnico, el término encaja mejor cuando existe un tipo de cambio fijo o administrado.

  • Dolarización de facto: Es el uso amplio e informal del dólar por la población para guardar valor y para el intercambio comercial diario, como defensa ante la pérdida de valor del bolívar.

  • Choque coyuntural: Evento inesperado de carácter político, social o natural (ejemplo, los sismos del 24 de junio de 2026) que cambia de forma abrupta la prima de riesgo del país y distorsiona las variables macroeconómicas.

  • Macroeconomía: Es un estudio del comportamiento de los indicadores globales de una economía, como el empleo, la renta nacional, inversión, consumo, precios, salarios y costos, entre otros. Sirve para observar tendencias y relaciones entre las variables.

  • Tipo de cambio nominal: Es la cantidad de bolívares necesarios para adquirir una unidad de divisa extranjera (la cotización oficial o paralela).

  • Volatilidad Cambiaria: Medida estadística de la dispersión de los rendimientos o de las fluctuaciones diarias de la tasa de cambio (Bs/USD) en un período determinado.

5 Capítulo 3: Marco Metodológico

5.1 Enfoque de la Investigación

La presente investigación se desarrolla bajo un enfoque cuantitativo, en tanto se fundamenta en la recolección, organización y análisis de datos numéricos provenientes de fuentes oficiales (tasas de inflación del BCV y cotizaciones diarias de la tasa de cambio Bs/USD). A partir de estos datos se busca medir la magnitud de la devaluación, describir el comportamiento de los precios al consumidor y establecer comparaciones entre los subperíodos 2024, 2025 y 2026, así como evaluar el efecto de los eventos coyunturales sobre la volatilidad cambiaria.

5.2 Tipo y Diseño de la Investigación

El estudio corresponde a una investigación de tipo descriptivo, pues su propósito es caracterizar la evolución de la inflación y la devaluación en Venezuela durante el trienio 2024-2026, identificando sus tendencias, magnitudes y variaciones. Asimismo, adquiere un carácter comparativo, al contrastar el comportamiento de las variables entre los distintos años y antes/después de los choques coyunturales señalados.

El diseño es no experimental, longitudinal y retrospectivo:

  • No experimental: no se manipulan las variables; se observan tal como se presentan en la realidad económica.
  • Longitudinal: se analiza la evolución de las variables a lo largo de varios períodos (meses y días), lo que permite observar tendencias y cambios en el tiempo.
  • Retrospectivo: los datos corresponden a hechos ya ocurridos durante el período 2024-2026.

5.3 Población y Muestra

Variable Columna en R Tipo de dato en R Justificación
Fecha fecha Date Serie temporal diaria/mensual
Inflación mensual (%) inflacion_mensual numeric (double) Valor continuo porcentual
Tasa de cambio Bs/USD tasa_cambio numeric (double) Cotización continua
Año anio integer / factor Categórico para agrupar
Trimestre trimestre factor Categoría ordinal (2024.1, …)
Mes mes factor Categoría nominal (Ene–Dic)
Evento coyuntural evento character / factor Texto: “3-ene”, “24-jun”, “ninguno”
Divisa divisa factor “Dólar” / “Euro”
Liquidez (M1/M2/M3) m1, m2, m3 numeric (double) Montos monetarios

Población: el conjunto de registros mensuales de inflación publicados por el BCV y las cotizaciones diarias de la tasa de cambio oficial (Bs/USD) correspondientes al período 2024-2026.

Muestra: se trabaja con la totalidad de los registros disponibles para el período de estudio (muestreo censal), dada la factibilidad de acceso a las series y el interés de analizar la evolución completa. En caso de existir vacíos de información en algún mes o día específico, se aplicará un criterio de exclusión documentado en el apéndice, sin recurrir a imputaciones que distorsionen las tendencias.

5.4 Técnicas e Instrumentos de Recolección de Datos

La técnica empleada es la revisión documental y el análisis de fuentes secundarias oficiales. Los instrumentos de recolección son:

  • Fichas de registro de datos (hojas de cálculo en formato .csv o .xlsx) donde se transcriben las series de inflación mensual/anual y las tasas de cambio diarias.
  • Matriz de eventos coyunturales, que registra la fecha, naturaleza y descripción de los choques (3 de enero y 24 de junio de 2026) para su posterior contrastación con el comportamiento de las variables.

Las fuentes principales son:

  • Banco Central de Venezuela (BCV): índices de precios al consumidor y tipos de cambio oficiales.
  • Organismos internacionales (FMI, CEPAL, Observatorio Venezolano de Finanzas, entre otros) para las proyecciones.
  • Registros periodísticos e institucionales para la documentación de los eventos coyunturales.

5.5 Procedimiento

El desarrollo metodológico se organiza en las siguientes fases:

  1. Recolección: descarga y transcripción de las series de inflación y de tasa de cambio.
  2. Depuración: revisión de valores atípicos, vacíos y consistencia de unidades (porcentajes, Bs/USD).
  3. Organización: estructuración de los datos en tablas compatibles con R (data frames).
  4. Análisis descriptivo: cálculo de medidas de tendencia central, dispersión y variación porcentual (mensual, anual y diaria).
  5. Visualización: elaboración de gráficos de líneas, barras y series temporales para observar tendencias y quiebres asociados a los eventos coyunturales.
  6. Interpretación: contrastación de los resultados con las bases teóricas (PPA, pass-through y expectativas) y con los objetivos planteados.

5.6 Técnicas de Análisis de Datos

El procesamiento y análisis se realiza mediante el lenguaje R y el entorno RStudio, empleando R Markdown para garantizar la replicabilidad del informe. Las librerías utilizadas son:

  • dplyr: para la manipulación, filtrado, agrupación y resumen de los datos.
  • ggplot2: para la construcción de gráficos de series temporales, diagramas de barras y visualizaciones comparativas.
  • knitr: para la integración del código, los resultados y el texto en un documento reproducible.
  • readxl: importar y leer archivos de Excel en forma de un marco de datos.
  • lubridate: su función principal y única es facilitar y simplificar al máximo el manejo de fechas y horas.
  • tidyverse: es un conjunto de librerías diseñadas para trabajar bajo la misma filosofía y gramática, que agrupa las herramientas más potentes y modernas para la ciencia de datos.

El análisis se estructura en tres niveles:

  1. Análisis descriptivo univariado: medidas de tendencia central (media, mediana), dispersión (desviación estándar, rango) y tasas de variación de la inflación y del tipo de cambio.
  2. Análisis comparativo: contraste entre subperíodos (2024 vs. 2025 vs. 2026) y entre momentos previos y posteriores a los eventos del 3 de enero y el 24 de junio de 2026, mediante variaciones porcentuales y promedios móviles.
  3. Análisis de relación: estimación de la correlación entre la devaluación del bolívar y la inflación, así como representación gráfica conjunta de ambas series para observar su comportamiento sincrónico. ## 5.4 Técnicas e Instrumentos de Recolección de Datos

La conexión a la nube se realizó mediante el paquete httr y readxl, descargando las series desde el repositorio GitHub del equipo a un archivo temporal y leyéndolas con read_excel(). El código completo se detalla en el Anexo A.

6 Capítulo 4: Análisis de Resultados

A continuación se presentan los resultados del análisis descriptivo de la inflación mensual y la devaluación del bolívar durante el período de estudio. Los datos fueron organizados y graficados mediante el lenguaje R.

6.1 Tipo de Cambio trimestral en el año 2024

library(tidyverse)
library(readxl)
library(lubridate)

# 1. URLs de los 4 trimestres de 2024
urls <- c(
  "https://github.com/nataly0404/tipo-de-cambio/raw/refs/heads/main/BCV_2024_I.xls",
  "https://github.com/nataly0404/tipo-de-cambio/raw/refs/heads/main/BCV_2024_II.xls",
  "https://github.com/nataly0404/tipo-de-cambio/raw/refs/heads/main/BCV_2024_III.xls",
  "https://github.com/nataly0404/tipo-de-cambio/raw/refs/heads/main/BCV_2024_IV.xls"
)

# Función para procesar un archivo y extraer de todas sus hojas las filas 11 y 15
procesar_trimestre <- function(url) {
  tmp <- tempfile(fileext = ".xls")
  download.file(url, destfile = tmp, mode = "wb", quiet = TRUE)
  
  # Obtener los nombres de todas las hojas (cada hoja es un día)
  hojas <- excel_sheets(tmp)
  
  # Leer las filas 11 y 15 de cada hoja asegurando que lea columnas B, C, F, G (índices 2, 3, 6, 7)
  datos_trimestre <- map_df(hojas, function(h) {
    df <- read_excel(tmp, sheet = h, col_names = FALSE, range = "B11:G15")
    # Nos interesan estrictamente la fila 1 (que es la 11 del Excel: EUR) y la fila 5 (que es la 15: USD)
    df_filtrado <- df[c(1, 5), c(1, 2, 5, 6)] # Columnas B, C, F, G relativas al rango
    colnames(df_filtrado) <- c("Moneda", "Compra_USD", "Compra_BS", "Venta_BS")
    
    # Extraer la fecha desde la celda B5 de la hoja (según tu captura, la fecha está en B5)
    fecha_val <- read_excel(tmp, sheet = h, col_names = FALSE, range = "B5:B5", na = "")
    # Limpiamos el texto de la fecha (ej: "Fecha Operacion: 27/03/2024" -> "27/03/2024")
    fecha_texto <- sub(".*:\\s*", "", as.character(fecha_val[1, 1]))
    
    df_filtrado %>% mutate(Fecha = dmy(fecha_texto))
  })
  
  return(datos_trimestre)
}

# 2. Consolidar los 4 trimestres en un solo data frame
df_anual_2024 <- map_df(urls, procesar_trimestre)

# 3. Preparar los datos para el gráfico trimestral (promediando la tasa de venta o compra por trimestre)
df_grafico <- df_anual_2024 %>%
  mutate(
    Trimestre = quarter(Fecha, with_year = TRUE),
    # Limpiamos y convertimos a numérico por si hay comas
    Venta_BS = as.numeric(gsub(",", ".", Venta_BS))
  ) %>%
  group_by(Trimestre, Moneda) %>%
  summarise(Promedio_Venta = mean(Venta_BS, na.rm = TRUE), .groups = "drop") %>%
  # Limpiar nombre de la moneda para que quede limpio en la leyenda ("EUR" y "USD")
  mutate(Moneda = if_else(grepl("EUR", Moneda), "Euro", "Dólar"))

# 4. Crear el gráfico de barras trimestral con ggplot2
ggplot(df_grafico, aes(x = as.factor(Trimestre), y = Promedio_Venta, fill = Moneda)) +
  geom_col(position = "dodge", alpha = 0.85, width = 0.6) +
  labs(
    title = "Promedio Trimestral del Tipo de Cambio Oficial (2024)",
    subtitle = "Valor de venta en Bolívares frente al Euro y Dólar",
    x = "Trimestre del Año 2024",
    y = "Tasa Promedio de Venta (Bs.)",
    fill = "Divisa"
  ) +
  theme_minimal(base_size = 12) +
  scale_fill_manual(values = c("#1f77b4", "#ff7f0e")) +
  theme(plot.title = element_text(face = "bold", hjust = 0.5),
        plot.subtitle = element_text(hjust = 0.5))

Se observa estabilidad en los primeros tres trimestres del año, ambas divisas mantuvieron una cotización prácticamente plana con variaciones mínimas:

**Dólar:** *Se ubicó alrededor de los 36,2 y 36,6 Bs durante los primeros nueve meses.*
**Euro:** *Se mantuvo cerca de los 39,2 y 40,2 Bs en el mismo período.*

Al cierre del año se rompe la estabilidad cambiaria y se observa un incremento en ambas monedas. El dólar supera los 44Bs y el euro se ubica alrededor de los 47,5 Bs. La diferencia promedio entre ambas monedas se mantiene proporcionalmente estable a lo largo del año, alrededor de 3 a 3,5 Bs de diferencia en los tres primeros trimestres, indicando también el deslizamiento del bolívar en el último trimestre y la afectación entre ambas monedas.

6.2 Tipo de Cambio trimestral en el año 2025

library(tidyverse)
library(readxl)
library(lubridate)

# 1. URLs de los 4 trimestres de 2025
urls <- c(
  "https://github.com/nataly0404/tipo-de-cambio/raw/refs/heads/main/BCV_2025_I.xls",
  "https://github.com/nataly0404/tipo-de-cambio/raw/refs/heads/main/BCV_2025_II.xls",
  "https://github.com/nataly0404/tipo-de-cambio/raw/refs/heads/main/BCV_2025_III.xls",
  "https://github.com/nataly0404/tipo-de-cambio/raw/refs/heads/main/BCV_2025_IV.xls"
)

# Función para procesar un archivo y extraer de todas sus hojas las filas 11 y 15
procesar_trimestre <- function(url) {
  tmp <- tempfile(fileext = ".xls")
  download.file(url, destfile = tmp, mode = "wb", quiet = TRUE)
  
  # Obtener los nombres de todas las hojas (cada hoja es un día)
  hojas <- excel_sheets(tmp)
  
  # Leer las filas 11 y 15 de cada hoja asegurando que lea columnas B, C, F, G (índices 2, 3, 6, 7)
  datos_trimestre <- map_df(hojas, function(h) {
    df <- read_excel(tmp, sheet = h, col_names = FALSE, range = "B11:G15")
    # Nos interesan estrictamente la fila 1 (que es la 11 del Excel: EUR) y la fila 5 (que es la 15: USD)
    df_filtrado <- df[c(1, 5), c(1, 2, 5, 6)] # Columnas B, C, F, G relativas al rango
    colnames(df_filtrado) <- c("Moneda", "Compra_USD", "Compra_BS", "Venta_BS")
    
    # Extraer la fecha desde la celda B5 de la hoja (según tu captura, la fecha está en B5)
    fecha_val <- read_excel(tmp, sheet = h, col_names = FALSE, range = "B5:B5", na = "")
    # Limpiamos el texto de la fecha (ej: "Fecha Operacion: 31/03/2025" -> "31/03/2025")
    fecha_texto <- sub(".*:\\s*", "", as.character(fecha_val[1, 1]))
    
    df_filtrado %>% mutate(Fecha = dmy(fecha_texto))
  })
  
  return(datos_trimestre)
}

# 2. Consolidar los 4 trimestres en un solo data frame
df_anual_2025 <- map_df(urls, procesar_trimestre)

# 3. Preparar los datos para el gráfico trimestral (promediando la tasa de venta o compra por trimestre)
df_grafico <- df_anual_2025 %>%
  mutate(
    Trimestre = quarter(Fecha, with_year = TRUE),
    # Limpiamos y convertimos a numérico por si hay comas
    Venta_BS = as.numeric(gsub(",", ".", Venta_BS))
  ) %>%
  group_by(Trimestre, Moneda) %>%
  summarise(Promedio_Venta = mean(Venta_BS, na.rm = TRUE), .groups = "drop") %>%
  # Limpiar nombre de la moneda para que quede limpio en la leyenda ("EUR" y "USD")
  mutate(Moneda = if_else(grepl("EUR", Moneda), "Euro", "Dólar"))

# 4. Crear el gráfico de barras trimestral con ggplot2
ggplot(df_grafico, aes(x = as.factor(Trimestre), y = Promedio_Venta, fill = Moneda)) +
  geom_col(position = "dodge", alpha = 0.85, width = 0.6) +
  labs(
    title = "Promedio Trimestral del Tipo de Cambio Oficial (2025)",
    subtitle = "Valor de venta en Bolívares frente al Euro y Dólar",
    x = "Trimestre del Año 2025",
    y = "Tasa Promedio de Venta (Bs.)",
    fill = "Divisa"
  ) +
  theme_minimal(base_size = 12) +
  scale_fill_manual(values = c("#1f77b4", "#ff7f0e")) +
  theme(plot.title = element_text(face = "bold", hjust = 0.5),
        plot.subtitle = element_text(hjust = 0.5))

En esta grafica se puede evidenciar un cambio radical respecto al año anterior, se abandona el anclaje cambiario y se entra en una dinámica de depreciación acelerada y continua trimestre tas trimestre.

**Dólar:** *Arranca un incremento sostenido superando los 90 en el segundo trimestre hasta llegar a los 240 Bs en el último trimestre.*
**Euro:** *Se observa un incremento que rompe la barrera nominal que se ensancha progresivamente debido al efecto multiplicador de la depreciación, llegando hasta los 275 Bs.*

A pesar del aumento en bolívares, la relación porcentual entre el Euro y el Dólar se mantiene estable entre un 6% y un 16% por encima del Dólar, reflejando la paridad internacional EUR/USD. Esta grafica demuestra que durante este período el tipo de cambio dejó de actuar como ancla nominal para convertirse en el principal mecanismo de transmisión inflacionaria. La velocidad de desplazamiento del Bolívar obligó a una indexación casi inmediata de los precios internos en la economía.

6.3 Tipo de Cambio trimestral en el año 2026

library(tidyverse)
library(readxl)
library(lubridate)

# 1. URLs de los 4 trimestres de 2026
urls <- c(
  "https://github.com/nataly0404/tipo-de-cambio/raw/refs/heads/main/BCV_2026_I.xls",
  "https://github.com/nataly0404/tipo-de-cambio/raw/refs/heads/main/BCV_2026_II.xls",
  "https://github.com/nataly0404/tipo-de-cambio/raw/refs/heads/main/BCV_2026_III.xls",
  "https://github.com/nataly0404/tipo-de-cambio/raw/refs/heads/main/BCV_2026_IV.xls"
)

# Función para procesar un archivo y extraer de todas sus hojas las filas 11 y 15
procesar_trimestre <- function(url) {
  tmp <- tempfile(fileext = ".xls")
  download.file(url, destfile = tmp, mode = "wb", quiet = TRUE)
  
  # Obtener los nombres de todas las hojas (cada hoja es un día)
  hojas <- excel_sheets(tmp)
  
  # Leer las filas 11 y 15 de cada hoja asegurando que lea columnas B, C, F, G (índices 2, 3, 6, 7)
  datos_trimestre <- map_df(hojas, function(h) {
    df <- read_excel(tmp, sheet = h, col_names = FALSE, range = "B11:G15")
    # Nos interesan estrictamente la fila 1 (que es la 11 del Excel: EUR) y la fila 5 (que es la 15: USD)
    df_filtrado <- df[c(1, 5), c(1, 2, 5, 6)] # Columnas B, C, F, G relativas al rango
    colnames(df_filtrado) <- c("Moneda", "Compra_USD", "Compra_BS", "Venta_BS")
    
    # Extraer la fecha desde la celda B5 de la hoja (según tu captura, la fecha está en B5)
    fecha_val <- read_excel(tmp, sheet = h, col_names = FALSE, range = "B5:B5", na = "")
    # Limpiamos el texto de la fecha (ej: "Fecha Operacion: 31/03/2026" -> "31/03/2026")
    fecha_texto <- sub(".*:\\s*", "", as.character(fecha_val[1, 1]))
    
    df_filtrado %>% mutate(Fecha = dmy(fecha_texto))
  })
  
  return(datos_trimestre)
}

# 2. Consolidar los 4 trimestres en un solo data frame
df_anual_2026 <- map_df(urls, procesar_trimestre)

# 3. Preparar los datos para el gráfico trimestral (promediando la tasa de venta o compra por trimestre)
df_grafico <- df_anual_2026 %>%
  mutate(
    Trimestre = quarter(Fecha, with_year = TRUE),
    # Limpiamos y convertimos a numérico por si hay comas
    Venta_BS = as.numeric(gsub(",", ".", Venta_BS))
  ) %>%
  group_by(Trimestre, Moneda) %>%
  summarise(Promedio_Venta = mean(Venta_BS, na.rm = TRUE), .groups = "drop") %>%
  # Limpiar nombre de la moneda para que quede limpio en la leyenda ("EUR" y "USD")
  mutate(Moneda = if_else(grepl("EUR", Moneda), "Euro", "Dólar"))

# 4. Crear el gráfico de barras trimestral con ggplot2
ggplot(df_grafico, aes(x = as.factor(Trimestre), y = Promedio_Venta, fill = Moneda)) +
  geom_col(position = "dodge", alpha = 0.85, width = 0.6) +
  labs(
    title = "Promedio Trimestral del Tipo de Cambio Oficial (2026)",
    subtitle = "Valor de venta en Bolívares frente al Euro y Dólar",
    x = "Trimestre del Año 2026",
    y = "Tasa Promedio de Venta (Bs.)",
    fill = "Divisa"
  ) +
  theme_minimal(base_size = 12) +
  scale_fill_manual(values = c("#1f77b4", "#ff7f0e")) +
  theme(plot.title = element_text(face = "bold", hjust = 0.5),
        plot.subtitle = element_text(hjust = 0.5))

La magnitud del cambio nominal se dispara drásticamente en comparación con los años anteriores, situando las cotizaciones promedio por encima de los cientos de bolívares por dólar y euro.

**Dólar:** *Arranca con creces, ubicado alrededor de los 400 Bs, apreciando un salto pronunciado en la pendiente de crecimiento en el tercer trimestre alcanzando la zona de los 780 Bs y para el cuarto trimestre superando los 900 Bs.*
**Euro:** *El ritmo de la devaluación trimestral mantiene un impulso constante, comenzando el año entre los 460 Bs,  para el segundo trimestre supera holgadamente los 890 Bs y superando la barrera de los 1.000 Bs en el ultimo trimestre.*

La diferencia nominal entre el Euro y el Dólar se amplía de manera muy notoria; mientras que en el 2024 la separación era de unos pocos bolívares, en el 2025 rondaba los 35-40 Bs, para el cuarto trimestre de 2026 la diferencia entre ambas monedas supera los 100 Bs por unidad. La relación porcentual entre ambas monedas se conserva de manera estricta reflejando el comportamiento del mercado internacional de EUR/USD.

6.3.1 Diagnóstico de valores nulos

sum(is.na(datos_inflacion))

6.3.2 Detección de outliers con Boxplot

boxplot(datos_inflacion$inflacion_mensual, main=“Detección de Outliers”)

6.4 Inflación mensual 2026

Análisis: El comportamiento de la inflación mensual durante el año 2026 muestra una tendencia fluctuante. Se observa un pico importante en los meses de junio (13.8%) y julio (19.9%), los cuales coinciden con el periodo de mayor presión cambiaria y el evento sísmico reportado a mediados de año. A partir de agosto, la variación mensual desciende significativamente hasta ubicarse en 8.4% en septiembre, reflejando una desaceleración temporal en el ritmo de crecimiento de los precios.

6.5 Depreciación del bolívar frente al dólar

## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once per session.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

Análisis: La gráfica de la tasa oficial del tipo de cambio (Bs/USD) evidencia una marcada tendencia alcista a lo largo del periodo analizado. La cotización pasó de aproximadamente 52.02 bolívares por dólar al inicio de 2025 a superar los 793 bolívares en agosto de 2026. Esto demuestra numéricamente una fuerte depreciación de la moneda nacional, multiplicando su valor nominal por más de 14 veces en año y medio.

6.6 Comparación entre inflación y tipo de cambio

Análisis: Al superponer la inflación mensual y la tasa de cambio entre julio y agosto de 2026, se visualiza una correspondencia directa entre ambas variables. El repunte inflacionario de julio va de la mano con el incremento en la cotización del dólar, lo que corrobora la fuerte dependencia que tiene el sistema de precios venezolano respecto a las fluctuaciones del tipo de cambio oficial. correlacion <- cor(datos_2026\(inflacion_mensual, datos_2026\)tasa_cambio, method = “pearson”) print(correlacion)

6.7 Liquidez Monetaria en los años 2024, 2025 y 2026

library(dplyr)
library(readxl)
library(knitr)

# --- 1. Descargar y procesar la tabla de 2024 y 2025 ---
url_24_25 <- "https://github.com/nataly0404/tipo-de-cambio/raw/refs/heads/main/liquidez_monetaria_anual.xls"
tmp_24_25 <- tempfile(fileext = ".xls")
download.file(url_24_25, destfile = tmp_24_25, mode = "wb")

# Invertimos el orden de las columnas para que 2024 quede de primero y 2025 de segundo
tabla_24_25 <- read_excel(tmp_24_25, sheet = 1, skip = 4) %>%
  select(1, 3, 2) %>% 
  rename(DESCRIPCIÓN = 1, AÑO_2024 = 2, AÑO_2025 = 3) %>%
  slice(1:15)

# --- 2. Descargar y procesar el archivo de 2026 (forzando lectura para conservar decimales) ---
url_2026 <- "https://github.com/nataly0404/tipo-de-cambio/raw/refs/heads/main/liquidez_monetaria_mensual.xls" 
tmp_2026 <- tempfile(fileext = ".xls")
download.file(url_2026, destfile = tmp_2026, mode = "wb")

tabla_2026 <- read_excel(tmp_2026, sheet = 1, skip = 4, col_types = "text") %>%
  select(1, 5) %>%                              
  rename(DESCRIPCIÓN = 1, AÑO_2026 = 2) %>%     
  slice(1:15)

# --- 3. Unir las tablas ---
tabla_unificada <- left_join(tabla_24_25, tabla_2026, by = "DESCRIPCIÓN")

# --- 4. Filtrar solo las filas requeridas y ordenar columnas cronológicamente ---
filas_deseadas <- c(
  "Monedas y Billetes (1)", 
  "Dinero (M1)", 
  "Liquidez Monetaria (M2)", 
  "Liquidez Ampliada (M3)"
)

tabla_final <- tabla_unificada %>%
  filter(DESCRIPCIÓN %in% filas_deseadas) %>%
  mutate(
    # Convertimos a numérico reemplazando comas por puntos si las hubiera
    AÑO_2024 = as.numeric(gsub(",", ".", AÑO_2024)),
    AÑO_2025 = as.numeric(gsub(",", ".", AÑO_2025)),
    AÑO_2026 = as.numeric(gsub(",", ".", AÑO_2026)),
    
    # Formateamos para que muestren siempre 4 decimales fijos (puedes cambiar el 4 por los que prefieras)
    AÑO_2024 = sprintf("%.4f", AÑO_2024),
    AÑO_2025 = sprintf("%.4f", AÑO_2025),
    AÑO_2026 = sprintf("%.4f", AÑO_2026)
  ) %>%
  select(DESCRIPCIÓN, AÑO_2024, AÑO_2025, AÑO_2026)

# --- 5. Mostrar la tabla final limpia en el informe ---
kable(tabla_final, format = "markdown")
DESCRIPCIÓN AÑO_2024 AÑO_2025 AÑO_2026
Monedas y Billetes (1) 7326860.5252 38947647.5590 82584613.2156
Dinero (M1) 174151327.3289 923398402.7328 3106369583.4630
Liquidez Monetaria (M2) 174333384.4475 924347209.6218 3132892102.9775
Liquidez Ampliada (M3) 174333384.4475 924347209.6218 3132892102.9775

El circulante físico se multiplica exponencialmente año con año, reflejo de la necesidad de mayor emisión de efectivo para compensar el alza nominal de los precios El vertiginoso crecimiento de la liquidez monetaria sin un respaldo de producción interna ni demanda real de bolívares genera un exceso de circulante que presiona directamente sobre la demanda de divisas, impulsando la depreciación del tipo de cambio oficial y alimentando el ciclo inflacionario.

Análisis: Los promedios trimestrales de venta de divisas (tanto para el dólar como para el euro) reflejan un incremento constante y sostenido trimestre tras trimestre. Las barras evidencian que la brecha de crecimiento de la tasa oficial se acelera de manera más agresiva al entrar en el año 2026, validando la pérdida de poder adquisitivo del bolívar en el mediano plazo.

En 2024, la gestión del Banco Central de Venezuela (BCV), logró frenar temporalmente la inflación gracias a una política contractiva basada en la contención de la liquidez, un alto encaje legal y la venta de divisas para estabilizar el tipo de cambio oficial. Sin embargo, esto trajo aspectos negativos como la asfixia del crédito bancario, una severa depreciación de la moneda hacia el cierre del año (cuando el dólar oficial superó los 52 bolívares) y la interrupción en la publicación oportuna de estadísticas oficiales, dejando a la economía con desequilibrios cambiarios y una alta erosión del poder adquisitivo.

Dado el abundante flujo de dolares en el mercado, las personas y las empresas no tenían necesidad de salir a comprarlos de manera desesperada, esto logró que el precio del dólar oficial se mantuvo fijo entre 36 y 37 bolívares durante casi todo ese año, funcionando como un “freno de mano” con el fin de mantener la estabilidad de precios.

La diferencia clave fue que en 2025 el Banco Central mantuvo una chequera de divisas mucho más activa para evitar que la moneda se desplomara al ritmo libre del año anterior, aunque esto obligó a la institución a ajustar progresivamente el precio oficial para intentar calmar las diferencias con el mercado paralelo. Aplicando reglas para que usar bolívares fuera más fácil y casi obligatorio. Por ejemplo, exigieron que la mayoría de los pagos electrónicos en tiendas se hicieran directamente en la moneda nacional, cobrando impuestos especiales a los pagos en divisas y facilitando que la gente pudiera usar tarjetas o transferencias locales sin complicaciones.

Como el dólar oficial subía constantemente en las mesas de cambio durante 2025, a los comercios se les hacía casi imposible mantener precios fijos por mucho tiempo; pero, para no perder dinero ni quedar imposibilitado de reponer su inventario, las tiendas se veían obligadas a actualizar y subir los precios de los productos casi todos los días con la finalidad de poder sobrevivir a la constante devaluación.

A medida que el Banco Central no publicaba a tiempo los datos reales, nadie tenía información confiable, sin esos números claros era casi imposible tomar decisiones acertadas sobre inversiones, calcular precios reales o entender hacia dónde iba realmente la economía del país.

7 Capítulo 5: Conclusiones y Recomendaciones

##Conclusiones

La investigación evidencia una profunda desconexión entre la contención oficial y la realidad macroeconómica venezolana. La estrategia del Banco Central de Venezuela en 2024, basada en el anclaje cambiario y la restricción de liquidez, frenó temporalmente la inflación pero acumuló distorsiones que detonaron una depreciación acelerada a finales de 2025 y volatilidad extrema en 2026. Estos hallazgos confirman la plena vigencia de la Paridad del Poder Adquisitivo y del efecto pass-through: en una economía dolarizada de facto y altamente dependiente de las importaciones, el alza del dólar se traslada casi de inmediato a los costos de reposición y al Índice de Precios al Consumidor.

Por otro lado, la brecha entre los informes del BCV y las estimaciones independientes reflejó un severo sesgo informativo institucional. Mientras las cifras oficiales mostraban un escenario controlado, las fuentes secundarias revelaron pasivos externos cercanos a los $240.000 millones en 2026 y la pérdida de capacidad del emisor para intervenir en el mercado. Esta opacidad agravó el impacto de los choques coyunturales del 3 de enero y 24 de junio de 2026, destruyendo la credibilidad del bolívar y actuando por sí misma como un factor agregador de especulación, volatilidad cambiaria e inflación.

##Recomendaciones

  • Al público en general Ante la pérdida del bolívar como reserva de valor y el rápido traspaso de la devaluación a los bienes básicos, se recomienda a las familias diversificar ingresos y administrar la liquidez con cautela. Las decisiones de ahorro y consumo deben guiarse por la inflación real y el costo de la canasta básica, evitando endeudarse en moneda nacional a tasas variables y presupuestando contingencias ante eventuales choques cambiarios.

  • A futuros investigadores y a la comunidad académica Se sugiere a la academia perfeccionar metodologías cuantitativas en código abierto (como R) para reconstruir y auditar series de tiempo en entornos de opacidad estadística. Ante la falta de datos oficiales, los investigadores deben fortalecer la recolección de datos primarios y el contraste con fuentes independientes. Asimismo, ampliar el período de recolección de datos.

9 Anexo A: Código R de conexión y carga de datos

library(readxl)
library(httr)
library(tidyverse)
library(lubridate)

# Conexión directa a URL cruda de GitHub (NO archivo local)
url_liquidez <- "https://raw.githubusercontent.com/nataly0404/tipo-de-cambio/main/liquidez_monetaria_anual.xls"

# Descarga a archivo temporal (readxl no acepta URLs directamente)
temp_xls <- tempfile(fileext = ".xls")
GET(url_liquidez, write_disk(temp_xls, overwrite = TRUE))

# Lectura del archivo temporal
liquidez <- read_excel(temp_xls)
glimpse(liquidez)