Telefonía fija y telefonía celular: el dilema de la demanda, 1995-2006

159

Análisis Económico
Núm. 58, vol. XXV
Primer cuatrimestre de 2010

Telefonía fija y telefonía celular: el

dilema de la demanda, 1995-2006
(Recibido: abril/09–aprobado: diciembre/09)

Andrés Milton Coca Carasila*

Juan Villagómez Méndez**

Resumen

El catalogar a un determinado bien o servicio como una de las “extensiones de los sentidos
y las funciones humanas de la vista, el oído y el tacto”, muestra la importancia del papel
que desempeñan en nuestras vidas, así como el desarrollo que alcanzaron impulsadas por
las mismas necesidades de los seres humanos, muestra un mercado dinámico e importante.
El servicio de telefonía móvil o celular es el desencadenador de estas expresiones y además
tema de comentario, investigación y preocupación de comunidades científicas y organis-
mos internacionales, como el World Economic Forum de Davos. Con esta investigación
nos adentramos en este mercado, en el cual intervienen activamente la demanda y la oferta
de servicios y equipos que no terminan de innovar, buscando satisfacer las, cada vez más,
exigentes necesidades y deseos de los usuarios. Buscamos analizar, específicamente la
demanda de telefonía fija y móvil, pretendiendo dilucidar una coyuntura particular y un
futuro inmediato e incierto. Para cuyo efecto proponemos aplicar técnicas novedosas que
nos ayuda a este propósito, como lo son las Redes Neuronales Artificiales.

Palabras clave: redes neuronales artificiales, demanda, telefonía fija, telefonía móvil.
Clasificación JEL: L96, M21, C45.

*
Profesor-Investigador del Departamento de Posgrado de la Facultad de Ciencias Económicas de la Universidad
Mayor de San Simón (cocamilton@yahoo.com.mx).
**
Profesor-Investigador de la Unidad Académica de Matemáticas de la Universidad Autónoma de Guerrero
(juanvillagomez2006@yahoo.com).
 160 Coca, Villagómez

Introducción

El dinamismo del mercado, en particular el de las Tecnologías de Información y

las Comunicaciones (tic), ha impactado fuertemente en la vida del ser humano.
No es para menos, su evolución y desarrollo en los últimos años, ha alcanzado ni-
veles insospechados, los cambios disruptivos1 generados en el sector constituyen
una excelente oportunidad para desarrollar investigaciones desde diferentes áreas
del conocimiento. Dentro de ello, la telefonía constituye un sector atractivo como
objeto de investigación, por los importantes cambios en los que se ve inmerso, la
adopción y exclusión acelerada de los servicios por parte de los usuarios, los cam-
bios en los precios, la introducción de servicios complementarios, la inclusión de
nuevas tecnologías con el soporte del servicio, entre otros. Estos cambios, generan
un alto beneficio a los usuarios. Pero ¿qué es lo que nos depara en un futuro inme-
diato?, la tendencia creciente de la demanda de telefonía celular ¿continuará? y, la
preocupación obvia, ¿qué pasará con la telefonía fija?
En esta línea, las ciencias económicas se han valido de otras ciencias para
realizar sus análisis, reflexiones, mediciones y estudios, entre ellas las matemáticas y
la estadística. Por mucho tiempo la preocupación central de economistas y expertos
en mercadotecnia fue, y lo es aún, analizar, medir y realizar pronósticos sobre la
demanda de bienes y servicios. Estas preocupaciones son propias de académicos y
ejecutivos, de hecho es tarea fundamental, para crear una nueva empresa, introducir
y desarrollar nuevos productos o servicios, para modificar la estrategia de merca-
dotecnia, en definitiva para conocer el futuro de los negocios y detectar las oportu-
nidades que presenta el mercado. La estadística, ha contribuido y proporcionado el
arsenal necesario para operar en los frentes señalados. Las comunidades científicas
han prestado particular interés por el campo de aplicación en el área organizacional
y de mercado, una muestra de ello es que la American Statistical Association dis-
pone de capítulos especializados para tal propósito. Esta preocupación por realizar
pronósticos con mayor precisión, han llevado a los investigadores a incursionar
en áreas no muy exploradas, entre ellas el ámbito de la Inteligencia Artificial, y
en especial las Redes Neuronales Artificiales (rna). La disponibilidad de grandes
contingentes de información, incluyendo el desarrollo computacional hacen que
las rna constituyan una alternativa muy seria, para satisfacer las exigencias que
plantean los problemas de análisis, medición y predicción.

1
En este trabajo se entiende por “disruptivo” como aquello que produce una ruptura brusca (rae, 2007).
 Telefonía fija y telefonía celular: el dilema de la demanda, 1995-2006
161

El análisis del mercado y el de la demanda en particular, es un tema

estratégico fundamental, porque toda estrategia deja de tener sentido alguno si se
obvia un análisis profundo y detallado del mercado, sobre todo si la organización
pretende orientarse al cliente. Los autores, consideran que es de capital importancia
poner mayor énfasis en su tratamiento, para hacer que académicos y organizaciones
nos habituemos a analizar la demanda y, en consecuencia, actuar de forma más
efectiva, y no dejarse llevar por las impresiones y los golpes de suerte para saber si
un mercado es atractivo o no (Coca, 2006).
Bajo este preámbulo, el objetivo central de este estudio es analizar y
predecir la demanda de telefonía fija y telefonía móvil en México, mediante rna,
comparados con modelos de regresión curvilíneos. Para alcanzar dicho objetivo,
el trabajo se ha organizado en cuatro apartados: el primero presenta el marco con-
textual, en él se describen el ámbito en que se realiza la investigación empírica, la
telefonía fija y móvil en México; el segundo, introduce los aspectos metodológicos
aplicados; el tercer punto trata los aspectos teóricos sobre la demanda y las rna;
el cuarto muestra los resultados de la investigación; y finalmente presentamos las
conclusiones del estudio.

1. Marco contextual

En la evolución de las telecomunicaciones la telegrafía eléctrica constituyó el prin-

cipio de una revolución, que cambió y moldeó el mundo del siglo xix, la telegrafía
sin hilos y la telefonía lo hicieron en el siglo xx, sentando las bases para la radio-
difusión y la televisión. Un poco más adelante, la televisión y las comunicaciones
por satélite abrieron un nuevo mundo, que transformó la sociedad de la segunda
mitad del siglo xx. El hilo telefónico se convirtió en el instrumento por el que se
canalizaron las innovaciones de las telecomunicaciones, naciendo la sociedad de
la información, cuya innegable culminación se tradujo en la expansión de internet
(Otero, 2007). Actualmente, los satélites utilizados para la comunicación telefónica
y la transmisión de datos digitales e imágenes de televisión, son los más nume-
rosos e importantes. El término telecomunicación incluye las diferentes formas
de comunicación a distancia, radio, telegrafía, televisión, telefonía, transmisión
de datos e interconexión de computadoras (Rodríguez, 2000). Por su parte, la
Unión Internacional de Telecomunicaciones define la telecomunicación como toda
transmisión, emisión o recepción de signos, señales, escritos, imágenes, sonidos o
informaciones de cualquier naturaleza por hilo, radioelectricidad, medios ópticos
u otros sistemas electromagnéticos (Figueiras, 2002). Sin embargo, de una forma
mucho más amplia se puede comprender con sencillez que la telecomunicación es
 162 Coca, Villagómez

una tecnología que elimina la distancia entre los continentes, entre los países y entre
las personas (Huurdeman, 2003). Finalmente, las telecomunicaciones en el contexto
de la transmisión se definen, de forma concisa, como la tecnología del transporte
de la información (Huurdeman, 1997).
En los últimos años, las tic, han transformado el mundo, su potencial
para reducir la pobreza y fomentar el crecimiento de los países en desarrollo se
ha incrementado. Investigaciones en los años sesenta y setenta mostraron cómo
fortalecen la economía, producción y distribución, prestación de servicios y la
administración gubernamental. Los países en desarrollo representaban más de
60% de las líneas telefónicas del mundo en 2005, frente a menos de 20% en 1980.
Durante este periodo, la población aumentó en la mitad y el pib real creció el do-
ble, mientras que el número de usuarios de teléfonos se incrementó 28 veces. La
mayor parte del crecimiento reciente es de teléfonos móviles, que superan a los
fijos. En general, los teléfonos móviles tienen un fuerte impacto en los países en
desarrollo para la sustitución de las conexiones fijas, el aumento de la movilidad,
la reducción de los costos, la ampliación de las redes comerciales y la facilidad
para la búsqueda de empleo, son algunos de sus beneficios. Con los servicios de
prepago, tarjetas o fichas, las familias pobres se han beneficiado del acceso te-
lefónico. Para 2005 en la mitad de los hogares del mundo había teléfonos, entre
las regiones en desarrollo la tasa de suscripción es más alta en Europa y Asia
Central, donde entre 2000 y 2004 se duplica (véase Gráfica 1). Sin embargo, el
crecimiento fue más alto en el África Subsahariana, con la triplicación de la tasa,
aunque todavía con un bajo nivel, 103 suscriptores por cada mil personas (World
Bank y NetLibrary, 2006).
En México, el crecimiento de las telecomunicaciones en los últimos años
se ha acelerado, de 1988 a 2004 su Valor Agregado Bruto (vab) sectorial, se ha
multiplicado más de siete veces, con un crecimiento anual promedio de 13.4%. En
ese lapso, el vab de las telecomunicaciones pasó de representar 1% del vab total
del país a 4.8%. Esta evolución es especialmente notable a partir de la privatización
de la telefonía en 1990 y en especial del inicio de la competencia en 1996 (García
Alba, 2006: 6). Sin embargo, durante el tercer trimestre de 2006, el sector registró
un crecimiento de 16.7% con relación al mismo periodo de 2005, lo que representa
una ligera reducción con respecto a la tasa observada el trimestre inmediato ante-
rior. Incremento favorable con respecto al experimentado por la economía en su
conjunto, que fue de 4.6% durante el trimestre en cuestión. En general, la industria
de las telecomunicaciones creció 17.1% durante los primeros nueve meses de 2006,
cifra menor a la alcanzada un año antes, que fue de 22.9% (Comisión Federal de
Telecomunicaciones, 2006).
 Telefonía fija y telefonía celular: el dilema de la demanda, 1995-2006
163

Gráfica 1
Abonados en telefonía fija y móvil 2000 y 2004
(por cada mil personas)
800
730
700

600
507
500 450

400
315
300 267
206
200
148
119 87 103
100
31 32
0

2004 2000

Fuente: World Bank y NetLibrary (2006: 6).

La penetración del servicio de telefonía fija continúa siendo el indicador

simple más representativo de la evolución general de las telecomunicaciones en dis-
tintos países. Incluso, se sostiene que los países con una extensa red fija tienden a ser
los más avanzados en la adopción de teléfonos móviles (García Alba, 2006 y Gruber y
Verboven, 2001). Una característica de la telefonía fija, es su importante inversión en
redes extendidas y sus centrales telefónicas, este hecho hace que se la califique como
monopolio natural (Newbery, 1999). En la práctica, todos los operadores, deben utilizar
las redes de telefonía fija, sin la cual sería difícil atender a sus usuarios, Telmex hasta
nuestros mantiene una importante participación de mercado, aunque sus competidores,
sobre todo de telefonía móvil, vienen librando duras batallas para despojarlo de esa po-
sición (Lugo y Zurita, 2004). La evolución de la telefonía fija en México, al igual que en
muchos otros países desde hace algunos años ha venido descendiendo paulatinamente.
Durante el tercer trimestre del año 2006 se instalaron aproximadamente 163 mil líneas
fijas, alcanzando a más de 20 millones en total. Esta cifra, significa un incremento de
6% respecto al mismo periodo de 2005, lo que se traduce en un leve retroceso en rela-
ción con el trimestre anterior. La intensa competencia de operadores móviles explican,
en parte, el proceso de desaceleración que este sector ha mostrado desde el cierre de
2004 (Comisión Federal de Telecomunicaciones, 2006). En términos de teledensidad,
México registra 19.1 líneas fijas por cada 100 habitantes hasta 2006.
 164 Coca, Villagómez

En el caso de la telefonía celular o móvil, el número de minutos cursados

en las redes de los concesionarios, al 2006, presentó un aumento de 26% en relación
al tercer trimestre de 2005, la cifra más baja desde hace cuatro años. Por otro lado,
el número de usuarios al cierre de septiembre de 2006 registró 52.99 millones, lo
que significa un incremento de 19.9% respecto al mismo periodo de 2005. Con este
valor, la teledensidad en telefonía celular se ubica en aproximadamente 48.8 líneas
por cada 100 habitantes, para el cierre de 2006.

2. Aspectos metodológicos

Para realizar las predicciones de la demanda de telefonía fija y de telefonía móvil se

recurren a las regresiones basadas en mínimos cuadrados, en una primera instancia
y asimismo a las rna. En ésta línea, el desarrollo de una aplicación de rna debe
seguir una secuencia metodológica, considerando los pasos que proponen Martín del
Brío y Sanz (2006). Estos pasos, consideran los siguientes puntos: planteamiento del
problema, requerimientos del sistema, revisión bibliográfica, elección del modelo de
rna, datos disponibles y selección de variables relevantes, elección de los conjuntos
de aprendizaje y test, preprocesamiento, proceso de entrenamiento y evaluación de los
resultados. Estos puntos fueron considerados en el desarrollo del presente trabajo.
La pregunta de investigación que guía el trabajo se formula en los siguien-
tes términos ¿cuáles son las predicciones de la demanda de telefonía fija y telefonía
móvil? Asimismo, se formulan los siguientes objetivos específicos: a) determinar el
modelo curvilíneo más adecuado para predecir la demanda de telefonía fija y móvil
en México; b) determinar el modelo de rna más adecuado para predecir la demanda
de telefonía fija y móvil en México; c) determinar el modelo estadístico más eficiente
para predecir la demanda de telefonía fija y móvil en México; d) analizar y predecir
la demanda de telefonía fija frente a la demanda de la telefonía móvil en México.
La justificación teórica del estudio se centra en las debilidades de las
técnicas tradicionales y las ventajas que ofrecen las rna para efectuar pronósticos.
Entre las desventajas de las técnicas de regresión (Duliba, 1991; Joseph, Wang y
Shieh, 1992; Walter y Levy, 1979) se encuentran la generación de un número no
manejable de ecuaciones de regresión candidatas, ignora el signo, la magnitud y la
significancia de los coeficientes de regresión individuales; además no puede operar
con los llamados outliers en el conjunto de datos; finalmente, las ecuaciones de re-
gresión pueden estar distorsionadas cuando se tienen datos missing y con entornos
complejos o contaminados (Johnson, 1989; Denton, 1995; Márquez, Hill, Worthley y
Remus, 1991). Entre las ventajas de las rna se encuentran justamente las debilidades
de las técnicas tradicionales (Bell, De Tienne y Joshi, 2003; Kuo y Reitsch, 1996;
 Telefonía fija y telefonía celular: el dilema de la demanda, 1995-2006
165

Law, 2000; Nguyen y Cripps, 2001; Pérez, 2005; Pérez y Martín, 2003; Whang,
2008; White, 1988; Wilson y Keating, 2007), cuyos resultados comparados en dife-
rentes estudios demuestran la superioridad de las rna (Kuo y Reitsch, 1996; Mena
y Montecinos, 2006; Palmer y Montaño, 2002; West, Brockett y Golden, 1997). La
justificación empírica de la investigación se traduce en la importancia de dilucidar
el futuro que le depara tanto a la telefonía fija como la móvil, ya que se encuentran
en una situación muy particular por el desarrollo y penetración acelerada de la
telefonía móvil, cuyas tendencias hacen prever que en un mediano plazo su efecto
sea devastador para la telefonía fija.
Los datos que permitieron realizar las predicciones se obtuvieron de la
Comisión Federal de Telecomunicaciones y el Instituto Nacional de Estadística,
Geografía e Informática, cuyas bases de datos fueron las proveedoras de la infor-
mación mensual de las líneas telefónicas fijas instaladas y los usuarios de telefonía
móvil, en ambos casos para el periodo comprendido entre enero de 1995 y enero
de 2007. Por consiguiente, se operó con las cantidades demandadas de los servicios
en cuestión, en función del tiempo. Asimismo, y luego de una exhaustiva revisión
de los estudios anteriores se determinó aplicar el Perceptron Multicapa (mlp),
con aprendizaje por retropropagación, para cuyo efecto, evaluando los programas
informáticos disponibles en el mercado, comerciales y no comerciales, elegimos
Dyane (Santesmases, 2005) en su tercera versión, exclusivo para la investigación
dentro del área de la mercadotecnia y las ciencias sociales. El mlp, además de ser un
aproximador universal de funciones, ha demostrado suficiencia para la predicción de
series de tiempo, con excelentes resultados en la medición de la demanda de gas y
electricidad (Hobbs, Helman, Jitprapaikulsarn, Konda y Maratukulam, 1998; Hornik,
Stinchcombe y White, 1989; Lendasse, Lee, Wertz y Verleysen, 2002; Mallo, 2004;
Martin-Merino, 2005; Pérez y Martín, 2003). De igual manera, y luego de varios
ensayos, tomando en cuenta una regresión logística y series temporales, aplicando
programas como el SPSS y STATISTICA, se derivó en la aplicación de los modelos
de regresión curvilíneos. Los modelos de regresión curvilíneos utilizados, parten
de considerar el tiempo (meses) como la variable independiente. En realidad el
comportamiento de la demanda a través del tiempo pudiera considerarse como una
serie de tiempo, sin embargo lo que sobresale de ella es únicamente la tendencia;
por ello los modelos curvilíneos serían los adecuados.

3. Elementos teóricos

Si bien en este apartado se intentan precisar los elementos teóricos claves de la in-
vestigación, estamos conscientes de que no es sino un intento de “resumen” sobre
 166 Coca, Villagómez

temas ampliamente tratados y que sólo los condensamos con la idea de precisar lo
más importante para nuestro estudio. Así, la demanda puede ser definida como el
número de unidades de un bien o servicio en particular que los consumidores esperan
y pueden comprar bajo condiciones explícitas de tiempo, lugar y precio, entre otras.
Esto significa que es una función de un número de variables independientes, que
puede ser expresada como una ecuación algebraica, una gráfica o un cuadro (Seo,
1991: 147). Sin embargo, también se puede definir como las cantidades de un bien o
servicio que la gente se encuentra dispuesta a comprar a distintos precios dentro de
un cierto periodo, al mantenerse constantes otros factores distintos al precio (Keat
y Young, 2004: 79). Estas definiciones, suponen un salto implícito de una demanda
individual o del consumidor hacia una demanda de mercado, ésta última, entendida
como el agregado de las diferentes demandas individuales (Tansini, 2003), tenien-
do en cuenta la teoría económica de la conducta del consumidor desde el enfoque
microeconómico (Frank, 2001). El mercado, constituye la base del análisis de la
demanda, sobre el que se desarrollaron teorías económicas muy importantes; en
términos generales, el mercado es el contexto dentro del cual toma lugar la compra y
venta de mercancías, o donde se encuentran quienes demandan bienes y servicios con
quienes los ofrecen (Sabino, 1991: 200). Aunque en castellano la palabra mercado
designa frecuentemente el lugar físico donde se dan tales transacciones, el concepto
económico es mucho más abstracto: se refiere al conjunto de interacciones humanas
que, si bien tienen algún punto espacial de referencia, no deben por fuerza limitarse
a un lugar determinado. Según Kotler y Keller (2006), desde el punto de vista de la
mercadotecnia, se entiende que: “mercado”, es el conjunto de todos los compradores
reales y potenciales de un producto; “mercado potencial”, conjunto de clientes que
manifiestan un grado suficiente de interés en una determinada oferta de mercado;
el “tamaño de mercado” depende del número de compradores que pudieran existir
para una oferta de mercado en particular (está en función del interés y los ingresos
para la adquisición de las ofertas de mercado); “mercado disponible”, definido por
el conjunto de consumidores que tienen interés, ingresos y acceso a una oferta de
mercado específica; “mercado disponible calificado”, conjunto de consumidores
que tienen interés, ingresos, acceso y cualidades que concuerdan con la oferta de
mercado en particular; “mercado meta” o “mercado al que se sirve”, es la parte del
mercado disponible calificado que la empresa decide captar; “mercado penetrado”,
llamado “mercado en el que se incursiona” es el conjunto de consumidores que ya
ha comprado el producto (Kotler, 1993; Kotler, 1996; Kotler, Armstrong, Saunders
y Wong, 2000; Kotler y Armstrong, 2001; Kotler, 2000; Kotler, 2002).
Partiendo de lo señalado, Kotler y Keller (2006) establecen que existen 90
clases o niveles de análisis de la demanda, considerando tres niveles o dimensiones
 Telefonía fija y telefonía celular: el dilema de la demanda, 1995-2006
167

generales: nivel de producto (seis), nivel espacial (cinco) y nivel temporal (tres). Este
enfoque ha predominado en el accionar de la mercadotecnia en los últimos años.
Por consiguiente, centrando nuestra atención en el mercado y entendiéndola como
un “conjunto de personas, individuales u organizadas, que necesitan un producto o
servicios determinado, que desean o pueden desear comprar y que además tienen
capacidad, económica y legal, para comprar” (Santesmases, Sánchez y Valderrey,
2003: 125), es que se puede hablar de un análisis y/o medición de la demanda de
mercado o de empresa. Por su parte, específicamente, el pronosticar la demanda
implicará el conocimiento del comportamiento actual y pasado de la demanda, así
como de las variables que influyen en dicho comportamiento; entonces se podrá
realizar una previsión del nivel de la demanda en el futuro (Santesmases, Sánchez y
Valderrey, 2003). Por tanto, para medir la demanda, existen diferentes instrumentos
y herramientas estadísticas desarrolladas a la fecha, Kinnear y Taylor (2000) presen-
tan un excelente resumen al respecto. Sin embargo cabe puntualizar la agrupación
que Gordon (1992) realizó, señalando que los métodos de modelización estadística
incluyen: análisis de series de tiempo, análisis de regresión, modelos multiecuación
y simulación. En la investigación, si bien trabajamos con una “serie de tiempo” lo
que implica dos variables en cada caso, se recurren a las técnicas señaladas en el
apartado metodológico, siendo conscientes de las implicaciones que conlleva el
trabajar con una serie de tiempo, apuntadas claramente por Glenn (1999).
La demanda de telefonía está sujeta a una característica muy impor-
tante, el consumo en red, condicionando su uso y acceso. Así, existen al menos
dos externalidades, la necesidad de una segunda parte involucrada en el servicio
(receptor de la comunicación) y la necesidad de operación en red, al incorporarse
una tercera parte en el servicio (dos personas que se comunican y la red estable-
cida con las demás personas que disponen del servicio). Debe quedar claro que se
pueden hablar de dos tipos de demanda en el entorno de la telefonía, la demanda
de acceso al servicio y la demanda de uso del servicio. La primera que se identifica
con claridad a partir de la adquisición de una línea telefónica y la segunda asociada
al consumo traducido en minutos o tráfico, entrante o saliente, generado por cada
usuario (Taylor, 1994). En el presente trabajo se opera con la primera opción, es
decir la demanda de acceso telefónico, al respecto muchos estudios anteriores han
presentado propuestas de análisis con diferentes metodologías, una escueta revisión
de los modelos aplicados, de estimación de la demanda, empleados en el sector, de
acuerdo con la experiencia de las empresas de telecomunicaciones en diferentes
partes del mundo, muestra que en el tema de la demanda de telefonía móvil es po-
sible identificar al menos dos enfoques, el primero relacionado con estimaciones de
corte transversal y el segundo con estimaciones de la demanda incorporando series
 168 Coca, Villagómez

temporales (Larraín y Quiroz 2003). Se debe subrayar que la adopción de un nuevo

producto o tecnología en el tiempo, normalmente sigue un patrón de crecimiento
de una curva logística (Griliches, 1957), en ella se pueden identificar periodos de
inicio de bajo crecimiento, con pocos usuarios, son seguidos por una aceleración
importante en el crecimiento (efecto imitación) que se van moderando en el tiem-
po hasta llegar a una masa crítica de usuarios en que el mercado ha alcanzado su
penetración máxima o nivel de saturación potencial. Varios trabajos en el tema han
utilizado una curva logística para modelar la introducción de la telefonía móvil en
mercados específicos, entre ellos Dineen (2000) en el Reino Unido, Tishler, Ventura
y Watters (2001) en Israel, mientras que Gruber y Verboven (2001) la utilizan para
un análisis de 140 países. Sin embargo modelos mucho más elaborados, han sido
aplicados a la demanda de telefonía y telecomunicaciones recurriendo a funciones
de utilidad, precios y elasticidades, estableciendo relaciones de orden causal (Ta-
ylor, 1994, 2000), modelos que no forman parte de los propósitos de este trabajo,
sin embargo son tomados en cuenta por su profundidad de análisis, marco teórico
estructurado y aplicaciones realizadas.
Por muchos años, el análisis y la medición de la demanda estuvieron, y
están, fuertemente asentadas en la aplicación de las tradicionales herramientas de la
estadística frecuentista. En este trabajo se aplican las rna como una opción para tratar
problemas tan habituales como el que ahora nos preocupa. Así, una Red Neuronal
Artificial, partiendo de aquella similitud con las neuronas biológicas que trabajan en
conjunto, conforman redes altamente especializadas, generando un elevado poder
sinérgico para la resolución de problemas concretos. Entonces, siguiendo el enfoque
de Isasi y Galván (2004), una red neuronal, gráficamente identificada se representa
por neuronas interconectadas, simulando a las células biológicas, denominándose
patrón de conectividad o arquitectura de la red.
El perceptrón, es unos de los modelos de rna ampliamente utilizados
en el ámbito de ciencias económicas. Cuando incluye capas ocultas, se denomina
Perceptron Multicapa o Multinivel (mlp por sus siglas en inglés). Se le define como
red unidireccional hacia adelante, feedforward, compuesto por una o varias capas de
neuronas ocultas entre las de entrada y salida. En la capa de entrada, cada neurona
corresponde a un conjunto de datos de entrada, procedentes del exterior, en el resto
de las capas los datos procederán de las neuronas de la capa previa. Generalmente,
todas las neuronas de una capa están conectadas a todas las neuronas de la siguiente
capa. Cada neurona conlleva su umbral correspondiente, que en el caso del mlp
suele tratarse como una conexión más a la neurona, cuya entrada es constante e
igual a 1 (Isasi y Galván, 2004). Asimismo, las neuronas de las capas ocultas y la
capa de salida calculan sus entradas como la suma ponderada de los valores, que
 Telefonía fija y telefonía celular: el dilema de la demanda, 1995-2006
169

provienen de la capa anterior por los pesos; donde la activación de cada una de
las neuronas se determina aplicando su función de activación respectiva. En este
caso, las neuronas de las capas ocultas llevan una función de tipo sigmoide, esto
con el propósito de minimizar la función de error asociada al modelo, a través de
la retropropagación del error, o regla Delta Generalizada, es decir un algoritmo de
descenso por el gradiente, el que requiere funciones de activación derivables (Pérez
y Martín, 2003). Entonces, el entrenamiento habitual de una red mlp es mediante
la retropropagación (bp por sus siglas en inglés), aunque también se puede recurrir
al gradiente conjugado, algoritmos cuasi-newton o algoritmos genéticos.
En la estructura de un mlp con una sola capa oculta (para nuestro estudio,
es la que nos interesa), la capa de entrada estará constituida por “m” neuronas, la
capa oculta por “h” neuronas, y la capa de salida por “n” neuronas. Entonces, un mlp
formado por tres capas, matemáticamente, se estructura de la siguiente manera:

a) Los valores de entrada x1, x2. . . , xm con sus pesos, w11, w12. . . , w1h; w21, w22. . . , w2h; .
. . . . wm1, wm2. . . , wmh, asociados a sus conexiones con las “h” neuronas de la capa oculta,
y v11, v12. . . , v1n; v21, v22, . . , v2n; . . . vh1, vh2,. . . , vhn, los pesos sinápticos asociados a las
conexiones entre las neuronas de la capa oculta con las n neuronas de salida.
b) Los valores z1, z2,..., zh que salen de las neuronas de la capa oculta se expresan:

 m 
zk = g  w ik xi ,
∑ k = 1, 2, …. h
 
 i= 0 

Siendo “g” la función de activación de la capa oculta, donde se introduce una neurona
ficticia de entrada, x0, con valor igual a 1, denotándose los valores umbrales de las neu-
ronas de esta capa por -w0k.
c) Finalmente, los valores de salida y1, y2 ..., yn que se obtienen de la red y vienen dados por:

 h   h  m 
y i = f  w kj z k = f
∑  v kj g  w ik xi 
∑ ∑ j = 1, 2 ..., n,
  
 k= 0   k= 0  i= 0 

f es la función de activación de la capa de salida, donde se introduce una neurona oculta

ficticia, z0, con valor igual a 1, denotándose los valores umbrales de las neuronas de esta
capa por -v0j.
 170 Coca, Villagómez

Entonces, de esta estructura se deduce que el número de parámetros de

un mlp con una capa oculta es h(m + n + 1) + n.
A modo de síntesis, con una nomenclatura matricial (Isasi y Galván,
2004), se puede señalar que el mlp define, a través de sus conexiones y neuronas,
una función continua no lineal del espacio Rn1 (espacio de los patrones de entrada)
al espacio Rnc (espacio de los patrones de salida). Que se puede expresar como:
Y = F(X, W) donde Y es el vector formado por las salidas de la red, X el vector de
entrada, W el conjunto de todos los parámetros de la red (pesos y umbrales) y F es
una función continua no lineal.
El modelo mlp se caracteriza por su algoritmo de aprendizaje, el cual se
realiza a través de la retropropagación de los errores. Este algoritmo está basado en
la generalización de la regla delta, de tipo supervisado por corrección de los errores
aplicando una función de error en la salida y luego en la oculta y así sucesivamente
hacia atrás. Se sabe que la función correctora de errores es similar a la del problema
de mínimos cuadrados, y que las funciones de transferencia de las neuronas deben
ser derivables. El modelo matemático con sus detalles particulares y la secuencia
respectiva de manera muy ilustrativa la encontramos en el trabajo de Hernández
(2004).

4. Resultados de la investigación

Los resultados de la investigación se organizan en tres partes: revisión y análisis

inicial de la información de partida, las predicciones a través de modelos curvilíneos
y las predicciones a través de rna.

4.1 Análisis de la información de entrada

La información utilizada para el estudio es la siguiente: número de líneas telefónicas

fijas en servicio, por meses, de enero 1995 a enero 2007, y cantidad de usuarios
de telefonía móvil (tm), por meses, de enero de 1995 a enero de 2007. El modelo
neuronal, requirió una transformación escalar de la información, esto supuso es-
tandarizarla es decir, a cada valor de la variable, se le restó su media y se dividió
su resultado por la desviación típica, así se obtuvo una nueva variable tipificada o
normalizada. De manera similar en los modelos curvilíneos se procedió con la apli-
cación de logaritmos y antilogaritmos, para transformar la información original.
La información de partida muestra que el número de líneas de telefonía
fija (tf) dejo de incrementarse a partir del mes de junio de 2006, mientras que la
tm registra un crecimiento brusco y acelerado. Según la tendencia observada (véase
 Telefonía fija y telefonía celular: el dilema de la demanda, 1995-2006
171

Gráfica 2) se puede inferir que la tf ha llegado a su etapa de maduración tecnológica

por lo que se impone un salto tecnológico que le permita crecer, por ejemplo mediante
el uso del teléfono dual o el videotelefóno de alta definición. En los últimos diez
años la tf creció a un ritmo de un millón de líneas anuales, en promedio, mientras
que la tm lo hizo a un ritmo 5.6 millones, en muchos casos logrando duplicarse el
número de tm de un año a otro. Nótese la diferencia astronómica existente entre
ambos, aunque en los dos últimos periodos los crecimientos fueron mucho más
reducidos. Sin embargo, llama la atención la caída del crecimiento de la tf que al-
canzó 1.8%, la más baja de los últimos diez años. Este comportamiento es habitual
cuando emergen nuevas tecnologías, la tm que empezó a afectar en la tf.

Gráfica 2
Telefonía fija y móvil 1995 - 2006
(por meses)
60000

50000
Miles de líneas o usuarios

40000

30000

20000

10000

0
0 12 24 36 48 60 72 84 96 108 120 132 144
Meses
Telefonía Fija Telefonía Celular

Fuente: Elaboración propia con base en cofetel (2007).

 172 Coca, Villagómez

4.2 Predicciones por regresiones curvilíneas

El ajuste de un polinomio de quinto grado a la demanda de tf, puede usarse para

predecir la demanda futura. Sin embargo, la tendencia del modelo teórico es cre-
ciente y los datos observados se estabilizan en el mes 136 (abril de 2006) por tanto
el modelo no es adecuado. Ello obliga a utilizar modelos no lineales como el lo-
gístico y otros, pero no se obtienen buenos ajustes. Para poder preparar los datos y
ajustar un modelo más apropiado se acude a una transformación logarítmica, así se
tiene un rango de variación entre 9.0 y 10.0, mientras que los datos originales van
entre 8 y 20 millones aproximadamente. Al utilizar este modelo se obtienen buenos
resultados (véase Gráfica 3). Un coeficiente de determinación de 0.999, un nivel de
significancia muy por debajo de 1% y errores estándares de los estimadores de los
coeficientes tan bajos que los intervalos de confianza no contienen al cero.

Gráfica 3
Ajuste polinomio de tercer grado tf

10.0

9.8

9.6

9.4

9.2

9.0
0 20 40 60 80 100 120 140 160 180
10 30 50 70 90 110 130 150 170
meses

Observada Cúbico
Fuente: Elaboración propia.

Así, el modelo de predicción para la tf será:

Ln(TFt) = 9.0873 – 0.0031t + 0.001t2 + 0.0000006t3 + ut

 Telefonía fija y telefonía celular: el dilema de la demanda, 1995-2006
173

Donde, t son los valores de las cantidades mensuales de líneas de tf. A

partir de este modelo se efectúan las predicciones para Ln(TFt) como variable de-
pendiente, teniendo las predicciones se aplica el antilogaritmo para regresar a los
datos originales de tf.
Para el caso de la tm, considerando que su crecimiento tiene una tenden-
cia curvilínea, se ajustan dos modelos de crecimiento no lineales, uno de tendencia
cuadrática y otro de tendencia cúbica. Se puede ver que la ecuación cuadrática tiende
a continuar, con mayor apego, la trayectoria que lleva la demanda de usuarios de
tm (véase Gráfica 4).

Gráfica 4
Ajuste cuadrático y cúbico tm
80000

70000

60000
Usuarios de TM

50000

40000

30000

20000

10000
0
0 20 40 60 80 100 120 140 160 180
10 30 50 70 90 110 130 150 170
meses
Observada Cuadrático Cúbico
Fuente: Elaboración propia.

Los modelos de predicción serían:

tm = b0 + b1t + b2t2 + ut ó tm = b0 + b1t + b2t2 + b3t3 + ut

Los coeficientes de determinación son 0.99667 y 0.99733, respectiva-

mente, por su reducida diferencia se puede adoptar cualquiera de los modelos para
las predicciones, en nuestro caso se eligió el modelo cuadrático, que gráficamente
 174 Coca, Villagómez

parecería que orienta mejor las predicciones. Introduciendo los coeficientes corres-
pondientes en el modelo seleccionado se tendría:

tm = – 401.264(MES) – 12.467(MES) + 2.81146(MES)2

4.3 Predicciones a través de Redes Neuronales Artificiales

Las rna son técnicas relativamente nuevas en su aplicación al área de las ciencias
económicas y empresariales, en este apartado presentamos los resultados y los aná-
lisis previos que exigen su aplicación. Para cuyo efecto, en una primera instancia
se presenta el entrenamiento de la red, es decir las iteraciones que permiten operar
con las capas ocultas determinando los pesos ideales y sus valores respectivos y
seguidas las predicciones propiamente dichas.

4.3.1 Entrenamiento de la red

El aprendizaje o entrenamiento de una rna es el proceso por el cual las neuronas

ajustan sus respuestas, es decir se cambian los pesos y el umbral, de tal forma que
los resultados de la red se ajusten a los resultados esperados (Santesmases, 2005).
Partiendo de esta consideración el proceso del aprendizaje es ejecutado con el Dyane
en su versión 3 (véase Cuadro 1).

Cuadro 1
Valores óptimos del entrenamiento
Detalle Telefonía fija Telefonía móvil
Datos históricos (todas las variables) 145 casos 145 casos
Conjunto de entrenamiento 145 casos 145 casos
Conjunto de evaluación 156 casos 156 casos
Tasa de entrenamiento 0.7 0.7
Momento 0.3 0.3
Error cuadrático medio (ECM) mínimo: 0.0053629577 0.0089905149
Iteraciones (en la que se obtuvo el ECM mínimo) 50,094 9,538
Fuente: Adaptaciones propias y los resultados emitidos del software.

Conjunto de entrenamiento y evaluación

Se disponen de un total de 145 datos históricos por meses, de enero de 1995 a enero
de 2007, se opta por tomar todos los casos como conjunto de entrenamiento. Sin
 Telefonía fija y telefonía celular: el dilema de la demanda, 1995-2006
175

embargo, para el conjunto de evaluación, se consideran 156 casos, es decir los 145
originales y 12 adicionales que serían las predicciones que realizaría el mlp.

Tasa de entrenamiento y momento

Teniendo en cuenta que la tasa de entrenamiento y el momento afectan a la velo-

cidad y tiempo de entrenamiento, así como a los pesos, se ensayaron con distintos
valores, los que no afectaron sustancialmente a los resultados finales del propio
entrenamiento. Se inclinó por dejar los valores por defecto del software que son:
tasa de entrenamiento inicial de uno y final de 0.7. Para el caso del momento deci-
dimos por la misma opción, dejando los valores por defecto del software: momento
inicial de 0 y final de 0.3.

Neuronas ocultas e iteraciones

Se eligió trabajar con un mlp de una sola capa oculta, en esta capa se decidió
introducir 2 neuronas (tanto para la tf como la tm), luego de algunas pruebas y
modificaciones. Con las iteraciones sucedió lo mismo se probaron diversas itera-
ciones, ya que el software así lo permitía, al final se obtuvo los valores óptimos en
la iteración 50,094 para la tf y en la iteración 9,538 para la tm.

4.3.2 Predicciones de la demanda

Las predicciones se realizaron considerando una serie estadísticas que manifiestan

la aceptación de los resultados emitidos por la rna aplicada, utilizando el Dyane.
Estas estadísticas, son sobre los valores output, es decir sobre las predicciones
(véase Cuadro 2).

Cuadro 2
Estadísticas de la variable output
Detalle Telefonía fija Telefonía móvil
Media 0.0000 0.0000
Desviación estándar 0.9641 0.9641
Media de los errores de estimación 0.1245 0.1523
Desviación estándar de los errores 0.4523 0.5635
Ratio D.E. errores/output 0.4692 0.5844
Correlación estim/output 0.9053 0.8624
Fuente: Adaptaciones propias y los resultados emitidos del software.
 176 Coca, Villagómez

La Gráfica 5 muestra que las predicciones de la tf son tan precisas,

que la superposición de los valores, con los originales es evidente, notándose el
comportamiento estimado que seguirá la demanda en los próximos 12 meses, que
alcanzaría una estabilidad, si no un decrecimiento muy lento, esto puede explicarse
por el comportamiento del entorno y otros aspectos que hacen a la tf, como una
propiedad obligada. Es decir, para acceder a un teléfono fijo se deben cubrir ciertos
montos iniciales, relativamente altos, ésta inversión hace que los clientes actuales
no renuncien a dichos montos y desde luego al teléfono fijo y sus servicios. Por otro
lado, la convergencia de las telecomunicaciones puede lograr cierta reconversión
del producto tf, incluyendo nuevos servicios, entre los que se cuentan aparatos
telefónicos tecnológicamente mejorados, servicios de valor agregado como correo
de voz, contestador automático, etc. Pero, quizás la posibilidad de que los pares de
cobre, conectados a la fibra óptica, se potencialicen para brindar no solo servicios
de voz, si no también, como ya se lo hace, servicios de banda ancha, televisión a
la carta y videoteléfono; sea la razón más importante para mantener su demanda.
Estos aspectos, pueden hacer que en un mediano plazo la demanda de tf, de alguna
manera se mantenga estable, con una ligera tendencia hacia la baja.

Gráfica 5
Demanda de tf observada y predicciones de la red neuronal
24000

21000

18000
Líneas telefónicas

15000

12000

9000

6000

3000

0
0 12 24 36 48 60 72 84 96 108 120 132 144
Meses
Demanda TF Demanda ETF

Fuente: Elaboración propia con los resultados de las predicciones (2008).

 Telefonía fija y telefonía celular: el dilema de la demanda, 1995-2006
177

Por su parte, la tm tiene un comportamiento totalmente diferente al de la

tf. Este lo podemos apreciar con mucha claridad en la Gráfica 6. Nótese, de igual
manera que en el caso de la tf, en la tm las predicciones se encuentran muy próximas
a los valores originales, además su crecimiento en los últimos años fue más soste-
nido, aunque en los tres últimos años sus tasas de crecimiento fueron decrecientes.
En este punto cabe remarcar que las predicciones a futuro, por las rna, pueden no
ser de las mejores contrastándolas con la realidad, porque constituyen un mercado
sumamente dinámico, cuyas tasas de decrecimiento pueden en cualquier momento
ser revertidas bruscamente.

Gráfica 6
Demanda de tm observada y predicciones de la red neuronal

70000

60000

50000
Usuarios telefonía móvil

40000

30000

20000

10000

0
0 12 24 36 48 60 72 84 96 108 120 132 144
Meses
Demanda TM Demanda ETM

Fuente: Elaboración propia con los resultados de las predicciones.

Con el solo propósito de ilustrar la eficiencia con la que actúan las rna,
en este caso el mlp, sobre otra alternativa de predicción como lo son las regresio-
nes curvilíneas, nos permitimos trabajar con los valores estimados de las variables
analizadas, sometiéndolas a la prueba del Error Cuadrático Medio cuyos resultados
 178 Coca, Villagómez

son muy alentadores para el mlp, para tal efecto utilizamos la siguiente relación,
que propone Diebold (2001):


n 2
∑ ŷ i − yi 
i=1  
ECMP = n

Donde:

ECMP = Error cuadrático medio de la predicción.

yi = es el i ésimo valor observado.
ŷi = es el i ésimo valor pronosticado.
n = es el número de valores analizados.

Los resultados nos señalan que las rna aplicadas a la tf tienen un

ECMP = 4052.3, y la tm alcanza un ECMP = 337828.4. Mientras que los va-
lores de la regresiones curvilíneas para la tf alcanzan un ECM = 22875 y la
tm logra un ECMP = 1987841. Entonces, notaremos la gran diferencia entre
ambas técnicas aplicadas y lo beneficioso que es recurrir a las rna, para realizar
predicciones en este caso de la demanda de tf como tm.

Conclusiones

Considerando nuestro problema de investigación y los objetivos planteados, presen-

tados en el apartado metodológico, se concluye que: la demanda de tf y tm siguen
un comportamiento diferenciado, fundamentalmente por el efecto generado de la
tm sobre la tf. Es decir que el desarrollo y crecimiento sostenido de la tm viene
afectando de manera significativa a la demanda de tf. Las predicciones de ambos
servicios, si bien se aproximan a la realidad, no deben ser considerados “fríamente”
ya que el sector, por su naturaleza propia es sumamente dinámico.
El comportamiento de la demanda de tf, en los últimos periodos de análi-
sis, sigue un patrón de saturación o estabilidad. Desde el punto de vista del ciclo de
vida de un producto o servicio, se puede asegurar que alcanzó la plena madurez y se
encuentra en una etapa de declinación, confirmada con información recientemente
emitida por la misma Cofetel. Esto significa que nos aproximamos a una etapa de
cambios importantes en términos de tf, cuyos operadores extremaran esfuerzos
para evitar una caída acelerada, por el momento no significativa.
 Telefonía fija y telefonía celular: el dilema de la demanda, 1995-2006
179

El comportamiento de la demanda de tm sigue un patrón creciente, aun-

que con ciertas reducciones en sus tasas de crecimiento anuales, fundamentalmente
entre los años 2004, 2005 y 2006. Sin embargo, este crecimiento desacelerado no
es significativo, porque desde principios de 2007 el sector mostró un fuerte creci-
miento, generado fundamentalmente por las reducciones de precios y el incremento
de competitividad impulsado por las empresas participantes del sector.
Los modelos curvilíneos aplicados en este trabajo proporcionan buenos
ajustes, la suma de cuadrados de los residuos alcanzan valores muy próximos a cero,
que en su caso pueden ser utilizados para realizar análisis posteriores, poniendo
especial atención en los modelos cúbicos, con el cuidado de la transformación
logarítmica para un ajuste adecuado.
Si bien se realizaron pruebas con algunas arquitecturas diferentes a una
mlp, la literatura y los estudios realizados, incluyendo múltiples iteraciones, se
confirmó que el Perceptron Multicapa, con aprendizaje por retropropagación, de
una sola capa oculta, es el modelo de Red Neuronal Artificial ideal para resolver el
problema de predicción de la demanda, en nuestro caso la demanda de tf y tm.
Las comparaciones entre las predicciones emitidas por los modelos cur-
vilíneos y las rna, efectuadas por medio de la aplicación del ECMP, al margen de
los resultados presentados en las graficas 3, 4, 5 y 6; muestran fehacientemente que
las rna a través del mlp constituyen un mejor predictor.

Referencias bibliográficas

Bell, D. K., D. H. De Tienne y S. A. Joshi (2003). “Neural networks as statistical

tools for business researchers”, Organizational Research Methods, vol. 6, num.
2, pp. 236-265.
Comisión Federal de Telecomunicaciones (2006). Índice de producción del sector
de telecomunicaciones, México: Cofetel.
__________
(2007). Dirección de Información Estadística de Mercados, México:
Cofetel.
Coca Carasila, A. M. (2006). “Análisis de la demanda: un enfoque de mercadotec-
nia”, ponencia presentada en el XI Foro de Investigación-Congreso Internacional
de Contaduría, Administración e Informática, México D. F, octubre.
ctc (2004). Estimación de demanda: Informe de modificaciones e insistencias,
Chile: Telefónica, Bayes Inference.
Denton, J. W. (1995). “How good are neural networks for causal forecasting?”, Jour-
nal of Business Forecasting Methods and Systems, vol.14, num.2, pp. 17-21.
Diebold, F. (2001). Elementos de pronósticos, México: Thomson Learning.
 180 Coca, Villagómez

Dineen, C. (2000). “Demand analysis and penetration forecasts for the mobile te-
lephone market in the U.K.”, Telecommunications: The Bridge to Globalization
in the Information Society, XIII Conferencia de la Sociedad Internacional de
Telecomunicaciones (ITS), Buenos Aires, Argentina, julio.
Duliba, K. A. (1991). “Contrasting neural nets with regression in predicting per-
formance in the transportation industry”, Proceedings of the 24th Annual Hawaii
International Conference on System Sciences, 4, 163-170.
Figueiras Vidal, A. R. (2002). Una panorámica de las telecomunicaciones. Madrid:
Prentice Hall.
Frank, R. H. (2001). Microeconomía y conducta, España: McGraw-Hill/Interame-
ricana de España.
García Alba, P. (2006). La evolución de las telecomunicaciones en México, México:
Tecnológico de Monterrey, egap.
Glenn, J. C. (1999). “Statistical modeling: From time series to simulation”, en Glenn,
J. (ed.), Futures Research Methodology Version 1.0, (Chapter 13), Washington
D. C.: Millennium Project, World Federation of UN Associations.
Gordon, T. J. (1992). “The methods of futures research”, The ANNALS of the Ame-
rican Academy of Political and Social Science, vol. 522, num. 1, pp. 36-44.
Griliches, Z. (1957). “Hybrid corn: An exploration in the economics of technical
change”, Econometrica, vol. 25, num. 4, pp. 501-522.
Gruber, H. y F. Verboven (2001). “The evolution of markets under entry standards
and regulation: The case of Global Mobile Telecommunications”, International
Journal of Industrial Organization, vol. 19, num. 7, pp. 1189-1212.
Hernández Barrera, N. E. (2004). Redes neuronales artificiales en oceanografía,
Tesis Doctoral, Departamento de Estadística e Investigación Operativa, Facultad
de Matemáticas, Universidad de Sevilla.
Hobbs, B. F., U. Helman, S. Jitprapaikulsarn, S. Konda y D. Maratukulam (1998).
“Artificial neural networks for short-term energy forecasting: Accuracy and
economic value”, Neurocomputing, vol. 23, num. 1-3, pp. 71-84.
Hornik, K., M. Stinchcombe y H. White (1989). “Multilayer Feedforward Net-
works are Universal Approximators”, Neural Networks, vol. 2, num. 5, pp.
359-366.
Huurdeman, A. A. (2003). The worldwide history of telecommunications, New
York: J. Wiley.
__________
(1997). Guide to telecommunications transmission Systems, The Artech
House telecommunications library. Boston: Artech House.
Isasi, V. P. y L. I. M. Galvan (2004). Redes de neuronas artificiales: Un enfoque
práctico. Madrid: Pearson Prentice Hall.
 Telefonía fija y telefonía celular: el dilema de la demanda, 1995-2006
181

Johnson, D. E. (1989). “Harnessing the power of multiple regression”, Chemical

Engineering, november, pp. 176-188.
Joseph, B., F. H. Wang y S. S. Shieh (1992). “Exploratory data analysis: A com-
parison of statistical methods with artificial neural networks”, Computers and
Chemical Engineering, vol. 16, num. 4, pp. 413-423.
Keat, P. G. y P. K. Young (2004). Economía de empresa, México: Pearson Prentice Hall.
Kinnear, T. Y J. Taylor (2000). Investigación de mercados: Un enfoque aplicado,
Colombia: McGraw-Hill.
Kotler, P. (2002). Dirección de marketing: conceptos esenciales, México: Prentice
Hall.
__________
(2000). Dirección de marketing: Edición del milenio, Madrid: Pearson
Prentice Hall.
__________
(1996). Dirección de la mercadotecnia: Análisis, planeación, implemen-
tación y control, México: Prentice Hall.
__________
(1993). Dirección de la mercadotecnia: análisis, planeación, implemen-
tación y control, México: Prentice Hall.
Kotler, P. y G. Armstrong (2001). Marketing, México: Prentice Hall.
Kotler, P., G. Armstrong, J. Saunders y V. Wong (2000). Introducción al marketing,
Madrid: Prentice Hall.
__________
y K. Keller (2006). Marketing Management, New Jersey: Pearson Prentice
Hall.
Kuo, C. y A. Reitsch (1996). “Neural networks vs. Conventional methods of fore-
casting”, The Journal of Business Forecasting, winter, pp. 17-22.
Larraín, B. F. y C. J. Quiroz (2003). Estimación de Demanda por servicios de tele-
fonía móvil período 2004 – 2008, Chile: Telefónica Móvil.
Law, R. (2000). “Back-propagation learning in improving the accuracy of neural
network-based tourism demand forecasting”, Tourism Management, vol. 21,
num. 4, pp. 331-340.
Lendasse, A., J. Lee, V. Wertz y M. Verleysen (2002). “Forecasting electricity con-
sumption using nonlinear projection and self-organizing maps”, Neurocomputing,
vol. 48, num. 1-4, pp. 299-311.
Lugo López, J. y J. Zurita González (2004). “El costo social del monopolio de Telmex
en la telefonía fija local”, Análisis Económico, vol. xix, núm. 42, 187-197.
Mallo, G. C. (2004). “Predicción de la demanda eléctrica horaria mediante redes
neuronales artificiales”, Recta, vol. 5, núm. 1, pp. 5-28.
Márquez, L., T. Hill, R. Worthley y W. Remus (1991). “Neural network models as
an alternative to regression”, Proceedings of the 24th Annual Hawaii International
Conference on System Sciences, 4, 129-135.
 182 Coca, Villagómez

Martín del Brío, B. y A. Sanz Molina (2006). Redes neuronales y sistemas difusos,
Colombia: Alfaomega.
Martín-Merino, A. M. (2005). Técnicas neuronales y estadísticas para la predicción
de demanda eléctrica, Salamanca: Amarú.
Mena, F. C. y G. R. Montecinos (2006). “Comparación de redes neuronales y
regresión linean para estimar productividad de sitio en plantaciones forestales,
utilizando geomática”, Bosque, vol. 27, núm. 1, pp. 35-43.
Newbery, D. M. (1999). Privatization, restructuring and regulation of network
utilities, EUA: MIT Press.
Nguyen, N. y A. Cripps (2001). “Predicting housing value: A comparison of mul-
tiple regression analysis and artificial neural networks”, Journal of Real Estate
Reasearch, vol. 22, num. 3, pp. 313-336.
Otero Carvajal, L. E. (2007). “Las telecomunicaciones en la España contemporánea,
1800-200”, Cuadernos de Historia Contemporánea, vol. 29, pp. 13-18.
Palmer, P. A. y M. J. J. Montaño (2002). “Redes neuronales artificiales aplicadas al
análisis de supervivencia: un estudio comparativo con el modelo de regresión de
Cox en su aspecto predictivo”, Psicothema, vol. 14, num. 3, pp. 630-636.
Pérez López, C. (2005). Métodos estadísticos avanzados con SPSS, España: Thom-
son.
Pérez Delgado, M. L. y Q. Martín Martín (2003). Aplicaciones de las redes neuro-
nales artificiales a la estadística, Madrid: La Muralla, S. A.
Pita, B. P. y N. Cadima (2001). The impact of mobile phone diffusion on the fixed-
link Network, Portugal: Universidade Nova de Lisboa & Portugal Telecom.
Rodríguez Sarmiento, G. (2000). “Telecomunicación”, consultado el 10 mayo de
2007 en (http://www.fortunecity.es/imaginapoder/artes/368/escuela/telecom/te-
lecomunicacion.htm).
rae (2007). Diccionario de la Real Academia Española, consultado el 19 enero de
2008 en (http://www.rae.es/).
Rumelhart, D. E. y J. L. McClelland (1986). Parallel distributed processing, vol.
1, MIT Press.
Sabino, C. A. (1991). Diccionario de economía y finanzas: Contiene glosario inglés-
español y traducción de los términos al inglés, Caracas: Editorial Panapo.
Santemases, M. M. (2005). Dyane. Versión 3: Diseño y análisis de encuestas en
investigación social y de mercados, España: Ediciones Pirámide.
Santesmases, M., A. Sánchez y F. Valderrey (2003). Mercadotecnia: conceptos y
estrategias, Madrid: Pirámide.
Seo, K. K. (1991). Managerial Economics. Text, Problems, and Short Cases, Ho-
mewood, Boston: Irwin.
 Telefonía fija y telefonía celular: el dilema de la demanda, 1995-2006
183

Sugolov, P. (2005). Are mobil phones and fixed lines substitutes or complements?
Evidence from transition economies, Project submitted in partial fulfilment of
the requirements for the degree of Master of Arts, Department of Economics,
Simon Fraser University, Canada.
Tansini, R. (2003). Guía para no economistas, Uruguay: Departamento de Economía,
Facultad de Ciencias Sociales, Universidad de la República.
Taylor, L. D. (2000). “Telecommunications demand analysis in transition: An over-
view of part I”, en Loomis, D. y L. Taylor (eds.), The Future of the Telecommu-
nications Industry: Forecasting and demand analysis, Germany: Springer-Verlag
GmbH, Heidelberg.
__________
(1994). Telecommunications demand in theory and practice, Boston:
Kluwer Academic Publishers.
Tishler, A., R. Ventura y J. Watters (2001). “Cellular telephones in the Israeli market:
The demand, the choice of provider and potential revenues”, Applied Economics,
vol. 33, num. 11, pp. 1479–1492.
Walker, O., H. Boyd, J. Mullins y J. Larréché (2003). Marketing strategy: a deci-
sion–focused approach, New York: McGraw-Hill.
Walter, J. T. y E. Levy (1979). “Limitations in the logic of regression forecasting”,
American Statistical Association, Proceedings of the Business and Economic
Statistics Section, 541-545.
Weingarten, M. y J. J. Benito-Martín (1994). U.S. Telecommunications Demand: A
macroeconomic view, EUA: Monitor Telecom Advisory Services.
West, P. M., P. L. Brockett y L. L. Golden (1997). “A comparative analysis of neural
networks and statistical methods for predicting consumer choice”, Marketing
Science, vol. 16, num. 4, pp. 370-391.
White, H. (1988). “Economic Prediction Using Neural Networks: The Case of IBM
Daily Stock Returns”, Proceedings of the Second Annual IEEE Conference on
Neural Networks, II, pp. 451-458.
Wilson, J. H. y B. Keating (2007). Pronósticos en los negocios con ForecastX
basado en Excel, México: McGraw–Hill.
World Bank y NetLibrary, Inc. (2006). 2006 Information and communications for
development Global trends and policies, Washington, D. C.: World Bank.
Zhang, F. (2008). “A principal component analysis-based linear dynamic system for
demand forecasting”, K. Laurence and M. Geurts (eds.), Advances in business
and management forecasting, vol. 5, Amsterdam: Elsevier jai.