Método Delphi: Predice el futuro con expertos en Ecuador | ORBITECH

ORBITECH AI Academy

¿Te imaginas poder predecir el futuro de un negocio, un destino turístico o incluso el clima en tu ciudad? En Ecuador, donde el turismo en Galápagos genera más de 1 200 millones de dólares anuales y la agricultura de Ambato abastece mercados nacionales, tomar decisiones basadas en opiniones de expertos puede marcar la diferencia entre el éxito y el fracaso. El **método Delphi**, creado en los años 1950 por la RAND Corporation para predecir ataques soviéticos, es hoy una herramienta clave en empresas, gobiernos y hasta en tu colegio cuando eligen al mejor representante estudiantil. ¿Quieres aprender a usarlo como los expertos? Aquí tienes 7 ejercicios prácticos que te convertirán en un maestro del pronóstico con consenso. ¡Vamos a empezar!

Ronda 1: Definiendo el problema como experto

facileapplication

En el cantón Montúfar (Carchi), los agricultores necesitan decidir si sembrar más papa o más maíz el próximo ciclo. Un facilitador del método Delphi ha reunido a 5 expertos locales. En la primera ronda, cada experto asigna un puntaje del 1 al 10 a cada cultivo según su rentabilidad esperada. Los resultados iniciales son: Papa = [8, 7, 9, 8, 7] y Maíz = [6, 5, 7, 6, 5]. Calcula el puntaje promedio inicial para cada cultivo.

Datos

`P_i`	Puntajes expertos papa	[8, 7, 9, 8, 7]
`M_i`	Puntajes expertos maíz	[6, 5, 7, 6, 5]

Se busca

P̄ — Puntaje promedio papa
M̄ — Puntaje promedio maíz

Pistas progresivas

Pista 1

Recuerda que el promedio se calcula sumando todos los valores y dividiendo entre el número de expertos

Pista 2

Usa la fórmula $promedio = \frac{\sum_{i = 1}^{n} x_{i}}{n}$ donde $n$ es el número de expertos

Solución completa

Datos iniciales — Tenemos los puntajes de 5 expertos para papa y maíz en Montúfar.
Cálculo del promedio para papa — Sumamos los puntajes de papa: $8 + 7 + 9 + 8 + 7 = 39$ . Dividimos entre 5 expertos.
$\overline{P} = \frac{8 + 7 + 9 + 8 + 7}{5} = \frac{39}{5}$
Cálculo del promedio para maíz — Sumamos los puntajes de maíz: $6 + 5 + 7 + 6 + 5 = 29$ . Dividimos entre 5 expertos.
$\overline{M} = \frac{6 + 5 + 7 + 6 + 5}{5} = \frac{29}{5}$

→ Puntaje promedio papa = 7.8, puntaje promedio maíz = 5.8

Ronda 2: Analizando la retroalimentación

facileanalysis

Tras conocer los promedios iniciales, los expertos revisan sus puntajes. Tres expertos aumentan su valoración de maíz en 2 puntos, mientras que dos expertos mantienen su puntaje de papa. Los nuevos puntajes son: Papa = [8, 7, 9, 8, 8] y Maíz = [8, 7, 7, 8, 7]. Calcula el nuevo promedio para cada cultivo y determina cuál tiene mayor consenso (menor desviación estándar).

Datos

`P'_i`	Nuevos puntajes papa	[8, 7, 9, 8, 8]
`M'_i`	Nuevos puntajes maíz	[8, 7, 7, 8, 7]

Se busca

P̄' — Nuevo promedio papa
M̄' — Nuevo promedio maíz
σ_P — Desviación estándar papa
σ_M — Desviación estándar maíz

Pistas progresivas

Pista 1

Primero calcula los nuevos promedios como en el ejercicio anterior

Pista 2

Para la desviación estándar usa $σ = \sqrt{\frac{\sum_{i = 1}^{n} {(x_{i} - \overline{x})}^{2}}{n}}$

Pista 3

El cultivo con menor desviación estándar tiene mayor consenso entre expertos

Solución completa

Nuevos promedios — Calculamos los promedios con los puntajes actualizados.
${\overline{P}}^{'} = \frac{8 + 7 + 9 + 8 + 8}{5} = \frac{40}{5} = 8 {\overline{M}}^{'} = \frac{8 + 7 + 7 + 8 + 7}{5} = \frac{37}{5} = 7.4$
Desviación estándar para papa — Calculamos las diferencias al cuadrado respecto al nuevo promedio (8): ${(8 - 8)}^{2} = 0$ , ${(7 - 8)}^{2} = 1$ , ${(9 - 8)}^{2} = 1$ , ${(8 - 8)}^{2} = 0$ , ${(8 - 8)}^{2} = 0$ . Sumamos: $0 + 1 + 1 + 0 + 0 = 2$ .
$σ_{P} = \sqrt{\frac{0 + 1 + 1 + 0 + 0}{5}} = \sqrt{\frac{2}{5}} = \sqrt{0.4} \approx 0.63$
Desviación estándar para maíz — Calculamos las diferencias al cuadrado respecto al nuevo promedio (7.4): ${(8 - 7.4)}^{2} = 0.36$ , ${(7 - 7.4)}^{2} = 0.16$ , ${(7 - 7.4)}^{2} = 0.16$ , ${(8 - 7.4)}^{2} = 0.36$ , ${(7 - 7.4)}^{2} = 0.16$ . Sumamos: $0.36 + 0.16 + 0.16 + 0.36 + 0.16 = 1.2$ .
$σ_{M} = \sqrt{\frac{0.36 + 0.16 + 0.16 + 0.36 + 0.16}{5}} = \sqrt{\frac{1.2}{5}} = \sqrt{0.24} \approx 0.49$

→ Nuevo promedio papa = 8.0, nuevo promedio maíz = 7.4, desviación estándar papa ≈ 0.63, desviación estándar maíz ≈ 0.49. El maíz tiene mayor consenso.

Diseñando el cuestionario Delphi para turismo en Galápagos

moyenconstruction

Un grupo de estudiantes de la Universidad Central de Quito quiere aplicar el método Delphi para predecir la demanda turística en las Islas Galápagos para el año 2025. Diseña 5 preguntas clave que deberían incluirse en el primer cuestionario que se enviará a 10 expertos en turismo sostenible. Incluye una pregunta cuantitativa y cuatro cualitativas.

Se busca

P1 — Pregunta cuantitativa
P2 — Pregunta cualitativa 1
P3 — Pregunta cualitativa 2
P4 — Pregunta cualitativa 3
P5 — Pregunta cualitativa 4

Pistas progresivas

Pista 1

La pregunta cuantitativa debe permitir respuestas numéricas para análisis estadístico

Pista 2

Las preguntas cualitativas deben explorar factores críticos como impacto ambiental, infraestructura y tendencias de mercado

Pista 3

Recuerda que el cuestionario debe ser claro y evitar sesgos en las respuestas

Solución completa

Estructura del cuestionario — El cuestionario debe tener una introducción clara, instrucciones y preguntas bien definidas.
Pregunta cuantitativa — Pregunta sobre el número esperado de turistas internacionales que visitarán Galápagos en 2025.
$P 1 : ¿Cuántos turistas internacionales estima que visitarán las Islas Galápagos en 2025? (en miles)$
Preguntas cualitativas — Preguntas que exploran factores clave para la predicción.
$P 2 : ¿Qué factores podrían aumentar la demanda turística en Galápagos en los próximos 2 años? P 3 : ¿Qué riesgos ambientales podrían reducir la capacidad de carga de las islas? P 4 : ¿Cómo evalúa la infraestructura actual de transporte y alojamiento para recibir más turistas? P 5 : ¿Qué estrategias propondría para garantizar turismo sostenible en las islas?$

→ P1: Número esperado de turistas internacionales en 2025 (en miles). P2: Factores que podrían aumentar la demanda. P3: Riesgos ambientales que podrían reducir capacidad. P4: Evaluación de infraestructura actual. P5: Estrategias para turismo sostenible.

Interpretando resultados: Consenso en la Feria de Cuenca

moyenmodeling

En la Feria de Cuenca, 8 artesanos están evaluando si aumentar el precio de sus tejidos tradicionales en un 15% para el próximo año. Tras dos rondas Delphi, obtienen los siguientes datos de aceptación (1=totalmente en desacuerdo, 5=totalmente de acuerdo): Ronda 1 = [3, 4, 2, 5, 3, 4, 2, 3], Ronda 2 = [4, 4, 3, 5, 4, 4, 3, 4]. Modela la convergencia de opiniones y determina si hay consenso suficiente para implementar el aumento.

Datos

`R1_i`	Aceptación ronda 1	[3, 4, 2, 5, 3, 4, 2, 3]
`R2_i`	Aceptación ronda 2	[4, 4, 3, 5, 4, 4, 3, 4]

Se busca

ΔP̄ — Cambio en promedio de aceptación
σ_R1 — Desviación estándar ronda 1
σ_R2 — Desviación estándar ronda 2
consenso — ¿Hay consenso?

Pistas progresivas

Pista 1

Calcula el promedio y desviación estándar para cada ronda

Pista 2

Un consenso se considera cuando la desviación estándar es menor a 0.5

Pista 3

Analiza si el promedio aumentó o disminuyó entre rondas

Solución completa

Promedios por ronda — Calculamos los promedios para cada ronda de respuestas.
${\overline{P}}_{R} 1 = \frac{3 + 4 + 2 + 5 + 3 + 4 + 2 + 3}{8} = \frac{26}{8} = 3.25 {\overline{P}}_{R} 2 = \frac{4 + 4 + 3 + 5 + 4 + 4 + 3 + 4}{8} = \frac{31}{8} = 3.875$
Desviaciones estándar — Calculamos la dispersión de respuestas en cada ronda.
$σ_{R} 1 = \sqrt{\frac{{(3 - 3.25)}^{2} + {(4 - 3.25)}^{2} + . . . + {(3 - 3.25)}^{2}}{8}} \approx 0.92 σ_{R} 2 = \sqrt{\frac{{(4 - 3.875)}^{2} + {(4 - 3.875)}^{2} + . . . + {(4 - 3.875)}^{2}}{8}} \approx 0.64$
Análisis de convergencia — Comparando las desviaciones estándar: σ_R2 < σ_R1, lo que indica mayor convergencia. Sin embargo, σ_R2 = 0.64 > 0.5, por lo que no hay consenso absoluto pero sí mejora significativa.
$Δ \overline{P} = {\overline{P}}_{R} 2 - {\overline{P}}_{R} 1 = 3.875 - 3.25 = 0.625$

→ Promedio ronda 1 = 3.25, promedio ronda 2 = 3.88, desviación estándar ronda 1 ≈ 0.92, ronda 2 ≈ 0.64. Hay mejora en convergencia pero no consenso absoluto. El aumento de precio tendría aceptación moderada.

Optimizando el número de rondas en Ambato

difficileoptimization

Un equipo de agrónomos en Ambato está aplicando el método Delphi para predecir el rendimiento de la cosecha de frutillas en la provincia de Tungurahua. Tras 3 rondas, obtienen desviaciones estándar de σ₁=1.2, σ₂=0.8 y σ₃=0.5. Si el costo de cada ronda es de 200 USD y el beneficio de reducir la incertidumbre en 0.1 unidades de desviación estándar se valora en 50 USD, ¿deberían realizar una cuarta ronda?

Datos

`σ_1`	Desviación ronda 1	1.2
`σ_2`	Desviación ronda 2	0.8
`σ_3`	Desviación ronda 3	0.5
`C`	Costo por ronda	200	USD
`B`	Beneficio por reducción 0.1σ	50	USD

Se busca

σ_4 — Desviación esperada ronda 4
Δσ — Reducción adicional esperada
beneficio_neto — Beneficio neto de ronda 4 (USD)
decisión — ¿Realizar ronda 4?

Pistas progresivas

Pista 1

Estima la reducción de desviación entre rondas: de σ₁ a σ₂ hay reducción de 0.4, de σ₂ a σ₃ hay reducción de 0.3

Pista 2

Asume una reducción similar para la ronda 4: σ₄ ≈ σ₃ - 0.3 = 0.2

Pista 3

Calcula el beneficio de la reducción adicional y compáralo con el costo

Solución completa

Tendencia de reducción — Analizamos cómo disminuye la desviación estándar entre rondas consecutivas.
$Δ σ_{1 \to 2} = σ_{1} - σ_{2} = 1.2 - 0.8 = 0.4 Δ σ_{2 \to 3} = σ_{2} - σ_{3} = 0.8 - 0.5 = 0.3$
Proyección ronda 4 — Asumiendo una reducción similar a la anterior, estimamos σ₄.
$σ_{4} \approx σ_{3} - 0.3 = 0.5 - 0.3 = 0.2$
Reducción adicional — Calculamos cuánto se reduciría la desviación con la ronda 4.
$Δ σ = σ_{3} - σ_{4} = 0.5 - 0.2 = 0.3$
Análisis costo-beneficio — Calculamos el beneficio de la reducción adicional y lo comparamos con el costo.
$B e n e f i c i o = (Δ σ / 0.1) \times B = (0.3 / 0.1) \times 50 = 3 \times 50 = 150 USD B e n e f i c i o n e t o = B e n e f i c i o - C o s t o = 150 - 200 = - 50 USD$

$Beneficio neto = - 50 USD$

→ Desviación esperada ronda 4 ≈ 0.2, reducción adicional = 0.3 unidades, beneficio neto = -50 USD. No se recomienda realizar la cuarta ronda.

Demostrando convergencia: El caso del Volcán Cotopaxi

difficileproof

Demuestra matemáticamente que el método Delphi garantiza convergencia de opiniones bajo el supuesto de que cada experto ajusta su respuesta hacia el promedio grupal en cada ronda. Sea $x_{i}^{(k)}$ la respuesta del experto $i$ en la ronda $k$ , y ${\overline{x}}^{(k)}$ el promedio grupal en esa ronda. Muestra que si cada experto actualiza su respuesta como $x_{i}^{(k + 1)} = x_{i}^{(k)} + α ({\overline{x}}^{(k)} - x_{i}^{(k)})$ con $0 < α < 1$ , entonces la varianza grupal disminuye en cada ronda.

Datos

`x_i^{(k)}`	Respuesta experto i en ronda k
`α`	Factor de ajuste	(0,1)

Se busca

Var^{(k)} — Varianza ronda k
Var^{(k+1)} — Varianza ronda k+1
ΔVar — Cambio en varianza

Pistas progresivas

Pista 1

La varianza se calcula como $V a r = \frac{1}{n} \sum_{i = 1}^{n} {(x_{i} - \overline{x})}^{2}$

Pista 2

Demuestra que $V a r^{(k + 1)} < V a r^{(k)}$ usando la fórmula de actualización

Pista 3

Usa la propiedad de que ${(a + b)}^{2} = a^{2} + 2 a b + b^{2}$

Solución completa

Varianza inicial — Definimos la varianza en la ronda k como la suma de cuadrados de desviaciones respecto al promedio.
$V a r^{(k)} = \frac{1}{n} \sum_{i = 1}^{n} {(x_{i}^{(k)} - {\overline{x}}^{(k)})}^{2}$
Actualización de respuestas — Cada experto actualiza su respuesta según la fórmula dada.
$x_{i}^{(k + 1)} = x_{i}^{(k)} + α ({\overline{x}}^{(k)} - x_{i}^{(k)}) = (1 - α) x_{i}^{(k)} + α {\overline{x}}^{(k)}$
Nuevo promedio — Demostramos que el promedio se mantiene igual tras la actualización.
${\overline{x}}^{(k + 1)} = \frac{1}{n} \sum_{i = 1}^{n} x_{i}^{(k + 1)} = \frac{1}{n} \sum_{i = 1}^{n} [(1 - α) x_{i}^{(k)} + α {\overline{x}}^{(k)}] = (1 - α) {\overline{x}}^{(k)} + α {\overline{x}}^{(k)} = {\overline{x}}^{(k)}$
Nueva varianza — Calculamos la varianza en la ronda k+1 usando la actualización.
$V a r^{(k + 1)} = \frac{1}{n} \sum_{i = 1}^{n} {(x_{i}^{(k + 1)} - {\overline{x}}^{(k + 1)})}^{2} = \frac{1}{n} \sum_{i = 1}^{n} {[(1 - α) x_{i}^{(k)} + α {\overline{x}}^{(k)} - {\overline{x}}^{(k)}]}^{2} = \frac{1}{n} \sum_{i = 1}^{n} {[(1 - α) (x_{i}^{(k)} - {\overline{x}}^{(k)})]}^{2} = {(1 - α)}^{2} V a r^{(k)}$
Comparación de varianzas — Como $0 < α < 1$ , entonces ${(1 - α)}^{2} < 1$ , por lo que $V a r^{(k + 1)} < V a r^{(k)}$ .
$V a r^{(k + 1)} = {(1 - α)}^{2} V a r^{(k)} < V a r^{(k)}$

$V a r^{(k + 1)} = {(1 - α)}^{2} V a r^{(k)} < V a r^{(k)}$

→ La varianza en la ronda k+1 es ${(1 - α)}^{2}$ veces la varianza en la ronda k. Como $0 < α < 1$ , se cumple $V a r^{(k + 1)} < V a r^{(k)}$ , demostrando convergencia.

Aplicación real: Precios del cacao en Guayaquil

difficilemodeling

Una cooperativa de productores de cacao en Los Ríos necesita predecir el precio internacional del cacao para el próximo trimestre usando el método Delphi. Se consultó a 7 expertos que dieron los siguientes pronósticos en USD por libra: Ronda 1 = [2.80, 3.00, 2.90, 2.75, 3.10, 2.85, 2.95], Ronda 2 = [2.90, 2.95, 2.92, 2.88, 2.97, 2.91, 2.94]. Modela la distribución de pronósticos y determina el rango de precios con mayor probabilidad según el consenso alcanzado.

Datos

`R1_i`	Pronósticos ronda 1 (USD/libra)	[2.80, 3.00, 2.90, 2.75, 3.10, 2.85, 2.95]	USD/libra
`R2_i`	Pronósticos ronda 2 (USD/libra)	[2.90, 2.95, 2.92, 2.88, 2.97, 2.91, 2.94]	USD/libra

Se busca

P̄_R1 — Promedio ronda 1 (USD/libra)
P̄_R2 — Promedio ronda 2 (USD/libra)
σ_R2 — Desviación estándar ronda 2 (USD/libra)
rango_consenso — Rango de precios con mayor probabilidad (USD/libra)

Pistas progresivas

Pista 1

Calcula los promedios para ambas rondas

Pista 2

Calcula la desviación estándar de la ronda 2 para medir dispersión

Pista 3

El rango de consenso se define como ${\overline{P}}_{R} 2 \pm σ_{R} 2$

Pista 4

Interpreta el rango en términos de probabilidad (aprox. 68% dentro de ±1σ)

Solución completa

Promedios por ronda — Calculamos los promedios para comparar la evolución de pronósticos.
${\overline{P}}_{R} 1 = \frac{2.80 + 3.00 + 2.90 + 2.75 + 3.10 + 2.85 + 2.95}{7} = \frac{20.35}{7} \approx 2.91 USD/libra {\overline{P}}_{R} 2 = \frac{2.90 + 2.95 + 2.92 + 2.88 + 2.97 + 2.91 + 2.94}{7} = \frac{20.47}{7} \approx 2.92 USD/libra$
Desviación estándar ronda 2 — Calculamos la dispersión de los pronósticos en la segunda ronda.
$σ_{R} 2 = \sqrt{\frac{{(2.90 - 2.92)}^{2} + {(2.95 - 2.92)}^{2} + . . . + {(2.94 - 2.92)}^{2}}{7}} \approx 0.03 USD/libra$
Rango de consenso — Definimos el rango como el promedio ± una desviación estándar.
$R a n g o = [{\overline{P}}_{R} 2 - σ_{R} 2, {\overline{P}}_{R} 2 + σ_{R} 2] = [2.92 - 0.03, 2.92 + 0.03] = [2.89, 2.95] USD/libra$
Interpretación — Con un 68% de probabilidad, el precio del cacao estará entre 2.89 y 2.95 USD/libra según el consenso de los expertos.

$[2.89, 2.95] USD/libra$

→ Promedio ronda 1 ≈ 2.91 USD/libra, promedio ronda 2 ≈ 2.92 USD/libra, desviación estándar ronda 2 ≈ 0.03 USD/libra. El rango de consenso es [2.89, 2.95] USD/libra con 68% de probabilidad.

Comparando métodos: Delphi vs. predicción tradicional en Quito

difficileanalysis

En un estudio sobre innovación tecnológica en Quito, se compararon dos métodos de predicción: el método Delphi con 8 expertos (desviación estándar final = 0.7) y un método tradicional con 50 personas no expertas (desviación estándar = 1.5). Si la varianza se considera como medida de error, ¿qué método es más preciso y en qué porcentaje mejora la precisión?

Datos

`n_D`	Número expertos Delphi	8
`σ_D`	Desviación Delphi	0.7
`n_T`	Número no expertos	50
`σ_T`	Desviación tradicional	1.5

Se busca

Var_D — Varianza Delphi
Var_T — Varianza tradicional
mejora% — Porcentaje de mejora (%)

Pistas progresivas

Pista 1

La varianza es el cuadrado de la desviación estándar: $V a r = σ^{2}$

Pista 2

La precisión se mide como el inverso de la varianza: mayor precisión = menor varianza

Pista 3

El porcentaje de mejora se calcula como $((V a r_{T} - V a r_{D}) / V a r_{T}) \times 100$

Solución completa

Cálculo de varianzas — Convertimos las desviaciones estándar a varianzas.
$V a r_{D} = σ_{D}^{2} = {0.7}^{2} = 0.49 V a r_{T} = σ_{T}^{2} = {1.5}^{2} = 2.25$
Comparación de precisión — El método con menor varianza es más preciso.
$V a r_{D} < V a r_{T} \to D e l p h i e s m \overset{´}{a} s p r e c i s o$
Cálculo del porcentaje de mejora — Calculamos cuánto mejora la precisión del método Delphi respecto al tradicional.
$m e j o r a % = \frac{V a r_{T} - V a r_{D}}{V a r_{T}} \times 100 = \frac{2.25 - 0.49}{2.25} \times 100 = \frac{1.76}{2.25} \times 100 \approx 78.22 %$

$78.22 %$

→ Varianza Delphi = 0.49, varianza tradicional = 2.25. El método Delphi mejora la precisión en un 78.22% respecto al método tradicional.

Ronda 1: Definiendo el problema como experto

Datos

Se busca

Pistas progresivas

Ronda 2: Analizando la retroalimentación

Datos

Se busca

Pistas progresivas

Diseñando el cuestionario Delphi para turismo en Galápagos

Se busca

Pistas progresivas

Interpretando resultados: Consenso en la Feria de Cuenca

Datos

Se busca

Pistas progresivas

Optimizando el número de rondas en Ambato

Datos

Se busca

Pistas progresivas

Demostrando convergencia: El caso del Volcán Cotopaxi

Datos

Se busca

Pistas progresivas

Aplicación real: Precios del cacao en Guayaquil

Datos

Se busca

Pistas progresivas

Comparando métodos: Delphi vs. predicción tradicional en Quito

Datos

Se busca

Pistas progresivas

Fuentes