Novasinergia 2026, 9(2), 174-195. https://doi.org/10.37135/ns.01.18.09 http://novasinergia.unach.edu.ec
Artículo de Investigación
Modelamiento exponencial predictivo del campo electromagnético RF
generado por estaciones base celulares en un entorno universitario
Predictive exponential modeling of the RF electromagnetic field generated by cellular base
stations in a university environment
Javier Castillo-Heredia1,2 , Lorena Molina-Valdiviezo1
1Grupo ModSim, Facultad de Ingeniería, Universidad Nacional de Chimborazo, Riobamba, Ecuador, 060501;
2Facultad de Ciencias e Ingeniería, Universidad Estatal de Milagro, Milagro, Ecuador, 091050;
lmolina@unach.edu.ec
*Correspondencia: luisj.castillo@unach.edu.ec
Citación: Castillo-Heredia, J. &
Molina-Valdiviezo, L., (2026).
Modelamiento exponencial
predictivo del campo
electromagnético RF generado por
estaciones base celulares en un
entorno universitario. Novasinergia.
9(2). 174-195.
https://doi.org/10.37135/ns.01.18.09
Recibido: 20 octubre 2025
Aceptado: 28 enero 2026
Publicado: 08 julio 2026
Novasinergia
ISSN: 2631-2654
Resumen: El acelerado crecimiento de las telecomunicaciones móviles ha incrementado la
densidad de radio bases en entornos urbanos y educativos, generando inquietudes sobre los
posibles efectos de la exposición prolongada a campos electromagnéticos, esta situación
plantea la necesidad de desarrollar estudios locales que cuantifiquen y predigan los niveles
de radiación en contextos específicos, por lo cual se aplicó una metodología cuantitativa de
tipo cuasi experimental, estructurada en cinco fases: planificación, recolección de datos
empíricos, procesamiento, modelado matemático y validación estadística. Las mediciones se
realizaron durante 34 días utilizando los equipos Narda SRM-3006 y EME Spy-200, en
diferentes franjas horarias y distancias respecto a las antenas. Los datos fueron procesados
con el software R, empleando pruebas estadísticas y modelos de regresión lineal, logarítmico
y exponencial. Los resultados evidenciaron que la intensidad del campo eléctrico disminuye
de manera exponencial al aumentar la distancia, con un coeficiente de determinación (R² =
0.8844), validando el modelo exponencial como el de mejor ajuste. Además, los valores
medidos se encontraron muy por debajo de los límites establecidos por la Comisión
Internacional de Protección contra Radiaciones No Ionizantes (ICNIRP), confirmando
condiciones seguras de exposición. Se concluye que el modelo desarrollado constituye una
herramienta científica confiable para evaluar y predecir niveles de radiación electromagnética
en entornos educativos y urbanos. Su aplicación permite optimizar la ubicación de antenas,
mejorar la gestión del espectro radioeléctrico y fortalecer la planificación tecnológica
sostenible. Este trabajo aporta evidencia empírica relevante y un marco metodológico
replicable para futuras investigaciones sobre radiación no ionizante y seguridad ambiental.
Palabras clave: Antenas celulares, Campo eléctrico, Modelamiento matemático, Modelo
predictivo, Radiación electromagnética.
Copyright: 2026 derechos otorgados por
los autores a Novasinergia.
Este es un artículo de acceso abierto
distribuido bajo los términos y
condiciones de una licencia de Creative
Commons Attribution (CC BY NC).
(http://creativecommons.org/licenses/by-
nc/4.0/).
Abstract:
The rapid growth of mobile telecommunications has increased the density of base stations in
urban and educational environments, raising concerns about the possible effects of prolonged exposure
to electromagnetic fields. This situation highlights the need to develop local studies that quantify and
predict radiation levels in specific contexts. Therefore, a quantitative quasi-experimental methodology
was employed, comprising five phases: planning, empirical data collection, data processing,
mathematical modeling, and statistical validation. Measurements were conducted over 34 days using
Narda SRM-3006 and EME Spy-200 equipment at different time slots and distances from the
antennas. The data were processed using R software, employing statistical tests and linear, logarithmic,
and exponential regression models. The results showed that the electric field intensity decreases
exponentially as distance increases, with a determination coefficient (R² = 0.8844), validating the
exponential model as the best fit. Furthermore, the measured values were well below the limits
established by the International Commission on Non-Ionizing Radiation Protection (ICNIRP),
confirming safe exposure conditions. It is concluded that the developed model constitutes a reliable
scientific tool for assessing and predicting electromagnetic radiation levels in educational and urban
environments. Its application enables optimization of antenna placement, improvement of radio
spectrum management, and reinforcement of sustainable technological planning. This work provides
relevant empirical evidence and a replicable methodological framework for future research on non-
ionizing radiation and environmental safety.
Keywords: Cellular antennas, Electric field, Mathematical modeling, Predictive model,
Electromagnetic radiation.
Novasinergia 2026, 9(2), 174-195 175
1. Introducción
La expansión global de las telecomunicaciones inalámbricas ha aumentado la
preocupación científica y social sobre los campos electromagnéticos de radiofrecuencia
generados por las estaciones base de telefonía móvil (RF-EMF), a pesar de que los niveles
promedio de la exposición son generalmente muy inferiores a los límites recomendados por
la Comisión Internacional de Protección Radiológica No Ionizantes (ICNIRP) [1], [2], los
múltiples valores de la intensidad de campo eléctrico en las antenas emisoras, la cercanía de
las personas que laboran o viven cerca de las radiobases celulares, incrementan las
incertidumbres, que justifican evaluaciones periódicas [3], [4], por ejemplo en entornos
educativos, donde la exposición poblacional es alta debido a que un número significativo
de personas deben estar en un lugar específico, la evaluación del campo electromagnético
tiene mayor interés en el momento de cuidar la seguridad de dicha población [5], [6].
En este contexto, la Escuela Superior Politécnica de Chimborazo (ESPOCH) representa un
escenario idóneo para el estudio de los RF-EMF, debido a su elevado número de personas
que se encuentran cerca de las antenas celulares en sus instalaciones educativas,
investigaciones previas en instituciones académicas y áreas urbanas han reportado que los
niveles de radiación dependen significativamente: de la distancia a las radiobases, la línea
de vista y el entorno construido [6]. Sin embargo, los estudios disponibles en Ecuador en su
mayoría son exploratorios, lo que reduce la posibilidad de establecer modelos predictivos
concretos que permitan anticipar los niveles de exposición y proyectar escenarios futuros
ante el crecimiento de las tecnologías emergentes [7], [8].
Se identifica que la brecha se origina debido a limitados estudios sobre los modelos
matemáticos ajustados a las condiciones específicas de los entornos académicos, las mismas
que tienen la capacidad de analizar datos empíricos, con técnicas de modelamiento
estadístico y computacional[9], este factor limita la toma de decisiones en la planificación de
nuevas instalaciones de infraestructura de radiobases celulares y en la creación de políticas
preventivas a favor de la salud pública; considerando los enfoques lineales y no lineales que
han demostrado la atenuación del campo eléctrico con respecto a la distancia, aún persiste
la necesidad de validar qué modelos ofrecen la mejor capacidad predictiva en escenarios
específicos y con base en evidencias empíricas locales [10].
Investigaciones recientes han demostrado que, en ambientes urbanos la propagación de
ondas electromagnéticas puede estar sujetas a difracción, fenómenos de reflexión y
multitrayecto, aportando modificaciones importantes a los niveles de exposición de las
comunidades próximas [11], [12]. Estos ejemplos muestran la necesidad de generar modelos
matemáticos contextualizados a las particularidades del entorno físico y los campus
educativos específicos. Pues, en el caso de la ESPOCH, la distribución espacial de los
edificios, los materiales de construcción y el tráfico de usuarios influyen directamente en los
resultados de las mediciones, por lo que un modelo ajustado al contexto se vuelve
indispensable para la planificación de infraestructuras seguras.
La integración de metodologías cuantitativas y herramientas computacionales avanzadas,
como el software R, así como prácticas que involucran regresión exponencial y polinomial,
han ayudado a obtener una medida más precisa de las predicciones de los niveles de
Novasinergia 2026, 9(2), 174-195 176
radiación electromagnética en investigaciones previas [13], [10]. La mezcla de técnicas de
medición in situ con equipos especializados de alta precisión, como Narda SRM-3006 y EME
Spy-200, así como las metodologías estadísticas, proporciona datos científicos verificables
que podrían replicarse en diferentes entornos de investigación. Estas metodologías reflejan
que el desarrollo de los modelos de predicción eficientes no es meramente un ejercicio
académico sino, por el contrario, un requisito práctico para evaluar y regular la exposición
electromagnética en las instituciones educativas y la comunidad local.
Es crucial estudiar las implicaciones a largo plazo del crecimiento de las nuevas tecnologías
de telecomunicaciones como las tecnologías 4G y 5G[14]; las nuevas generaciones aumentan
la cantidad de radiobases de operación, disminuyen la separación entre las mismas y operan
en frecuencias más altas generando así escenarios más complejos de exposición[15], en este
aspecto, el impacto sobre poblaciones sensibles como estudiantes y trabajadores en
establecimientos educativos es un área de interés prioritario para la investigación; los
estudios internacionales comparativos han demostrado que los valores contabilizados y
medidos en el presente documento están por debajo de los estándares internacionales [16],
pero aún con la percepción de riesgo de la población, lo cual demuestra la necesidad de una
comunicación científica clara y modelos de simulación predictiva que aumenten la
confianza de la población.
Otro aspecto relevante involucra la relación entre las políticas regulatorias y la investigación
científica, organismos internacionales como la OMS y la UIT recomiendan un monitoreo
constante de los niveles de exposición especialmente en espacios altamente poblados [2]; sin
embargo, la aplicación de estos lineamientos depende de estudios locales que avalen la
aplicabilidad de las guías internacionales en entornos específicos [8].
El propósito del presente estudio radica en el diseño de un modelo matemático predictivo
del comportamiento de la intensidad del campo eléctrico emitido por las antenas celulares
en el campus de la ESPOCH, dicha propuesta pretende combinar mediciones in situ,
realizadas mediante equipos especializados de alta precisión y técnicas de regresión
estadística aplicadas en paquetes computacionales de análisis y procesamiento de datos
[17], con el fin de determinar cuál es el modelo que mejor se ajusta y mayor capacidad
predictiva tiene, de esa manera, no solo se cumple con la necesidad de evaluar los niveles
de exposición que se presentan actualmente de acuerdo a estándares internacionales,
también se brinda una herramienta útil para proyectar futuros roles, determinar la
localización óptima de las antenas y, sobre todo, reforzar las políticas de seguridad
educativa[18].
2. Metodología
La metodología de investigación fue diseñada de manera detallada, estructurada y
secuencial para garantizar la validez de los resultados y la reproducibilidad del estudio. El
trabajo adoptó un enfoque cuantitativo, de tipo cuasi experimental, orientado a la
observación, medición, modelado y validación de datos sobre la intensidad del campo
eléctrico (E) producido por antenas celulares ubicadas en el campus de la ESPOCH, este
enfoque permitió establecer relaciones entre variables físicas, espaciales y temporales,
Novasinergia 2026, 9(2), 174-195 177
asegurando que los métodos empleados fueran apropiados y estadísticamente robustos
[19].
2.1. Diseño general de la metodología
El proceso metodológico se desarrolló en cinco fases consecutivas: (1) planificación y
diseño del estudio, (2) recolección de datos empíricos, (3) procesamiento y depuración de la
información, (4) modelado matemático y validación estadística, (5) interpretación y
contraste de resultados, como se muestra en la Figura 1, cada fase fue estructurada bajo
criterios de control experimental, precisión instrumental y análisis estadístico, garantizando
la trazabilidad de los resultados [20].
Figura 1. Proceso Metodológico.
Para representar de forma global la metodología aplicada, se elaboró un esquema de flujo
que muestra la secuencia lógica de actividades, desde la toma de datos hasta la generación
del modelo predictivo. Este esquema sirvió para visualizar el proceso de medición,
procesamiento y validación de los datos, siguiendo los lineamientos propuestos por la
ICNIRP [2].
2.2. Técnicas e instrumentos de recolección de datos
La recolección de información se realizó empleando dos instrumentos principales: el
analizador de espectro Narda SRM-3006 y el monitor de campo electromagnético EME Spy-
200, ambos equipos fueron seleccionados por su precisión, rango de frecuencia y capacidad
de registrar mediciones en tiempo real, antes de cada sesión, se efectuó la calibración
conforme a los protocolos internacionales IEC 62232 y las recomendaciones de la ICNIRP
[1].
Novasinergia 2026, 9(2), 174-195 178
Figura 2. Ruta y ubicación de los puntos donde se realizó las mediciones.
Con el fin de contextualizar espacialmente el estudio y garantizar la trazabilidad de las
mediciones realizadas, en la Figura 2 se presenta el mapa geográfico del área de estudio
correspondiente al campus de la Escuela Superior Politécnica de Chimborazo (ESPOCH),
ubicado en la ciudad de Riobamba, Ecuador.
El mapa muestra la ruta de medición seguida durante la campaña experimental, así como
la ubicación de los puntos específicos donde se realizaron las mediciones del campo
eléctrico, identificados como Punto 1, Punto 2 y Punto 3. Estos puntos fueron seleccionados
estratégicamente considerando la proximidad a la estación base celular de interés, la
accesibilidad del terreno y la representatividad del entorno urbano–educativo.
En el área circundante al campus se identifican otras estaciones base de telecomunicaciones,
cuya presencia podría contribuir de manera marginal a los niveles de campo eléctrico
medidos debido a fenómenos de superposición de emisiones electromagnéticas. No
obstante, el análisis espectral realizado con el analizador Narda SRM-3006 permitió verificar
que la componente dominante del campo eléctrico registrado corresponde a la estación base
bajo estudio, operando principalmente en la banda GSM, lo que garantiza que los datos
analizados reflejan de forma representativa el comportamiento de dicha estación.
La configuración espacial del campus, caracterizada por edificaciones de baja y mediana
altura, áreas abiertas y zonas deportivas, influye en los mecanismos de propagación del
campo electromagnético, particularmente en fenómenos de reflexión y multitrayectoria. Por
ello, la incorporación del mapa geográfico permite una mejor comprensión del entorno
físico donde se efectuaron las mediciones y refuerza la validez de los resultados obtenidos.
El Narda SRM-3006, con un rango operativo de 9 kHz a 6 GHz, se utilizó para mediciones
puntuales de alta precisión en la banda de GSM 850 MHz, mientras que el EME Spy-200
permitió capturar datos continuos para evaluar las fluctuaciones diurnas e identificar picos
de intensidad durante las horas de mayor tráfico telefónico. Las mediciones se realizaron
durante 34 días consecutivos en tres franjas horarias: mañana (08:00–10:00), tarde (13:00–
15:00) y noche (18:00–20:00), en total 102 mediciones, cada sesión tuvo una duración
promedio de seis minutos y se efectuó con el sensor a una altura de 1,50 m del suelo,
Novasinergia 2026, 9(2), 174-195 179
simulando la posición promedio de la cabeza humana, tal como recomiendan los estudios
de exposición humana [21],[22]
La información obtenida se organizó en la Tabla 1, datos de medición del campo eléctrico,
donde se presentan los valores de la intensidad del campo eléctrico en cada punto, junto
con su distancia a la antena emisora y el nivel de potencia correspondiente.
Tabla 1. Datos de medición del campo electromagnético.
DÍA
DISTANCIA (M)
INTENSIDAD (V/M)
HORA
1
40
1,356
Mañana
1
40
1,1565
Tarde
1
40
0.85210
Noche
2
45
0.99000
Mañana
2
45
0.90654
Tarde
2
45
0.89970
Noche
3
50
0.82410
Mañana
3
50
0.85200
Tarde
3
50
0.89006
Noche
4
55
0.85320
Mañana
4
55
0.84300
Tarde
4
55
112.480
Noche
5
55
0.65010
Mañana
5
60
0.85350
Tarde
5
60
0.89430
Noche
6
60
0.80430
Mañana
6
70
0.72560
Tarde
6
70
0.89260
Noche
7
70
0.82390
Mañana
7
70
0.55540
Tarde
7
75
0.78600
Noche
8
75
0.76520
Mañana
8
75
0.71822
Tarde
8
80
0.71690
Noche
9
80
0.61242
Mañana
9
80
0.52050
Tarde
9
90
0.69950
Noche
10
90
0.69050
Mañana
10
90
0.68110
Tarde
10
90
0.50860
Noche
11
90
0.51500
Mañana
11
95
0.70970
Tarde
11
95
0.67870
Noche
Novasinergia 2026, 9(2), 174-195 180
12
95
0.65090
Mañana
12
95
0.51250
Tarde
12
100
0.65290
Noche
13
100
0.60780
Mañana
13
100
0.56840
Tarde
13
100
0.80430
Noche
14
107
0.35540
Mañana
14
110
0.54173
Tarde
14
110
0.51526
Noche
15
110
0.32560
Mañana
15
110
0.65250
Tarde
15
120
0.55215
Noche
16
120
0.48265
Mañana
16
120
0.68054
Tarde
16
120
0.30540
Noche
17
120
0.22565
Mañana
17
130
0.50710
Tarde
17
130
0.43520
Noche
18
130
0.37000
Mañana
18
140
0.45526
Tarde
18
140
0.38520
Noche
19
140
0.25654
Mañana
19
150
0.30250
Tarde
19
150
0.37250
Noche
20
150
0.21050
Mañana
20
160
0.35360
Tarde
20
160
0.41650
Noche
21
160
0.27030
Mañana
21
170
0.28690
Tarde
21
170
0.25324
Noche
22
170
0.18560
Mañana
22
180
0.30170
Tarde
22
180
0.24650
Noche
23
180
0.21580
Mañana
23
190
0.15480
Tarde
23
190
0.23540
Noche
24
190
0.30220
Mañana
24
195
0.16980
Tarde
24
195
0.26700
Noche
25
195
0.10070
Mañana
Novasinergia 2026, 9(2), 174-195 181
25
200
0.15950
Tarde
25
200
0.17880
Noche
26
200
0.20580
Mañana
26
205
0.15690
Tarde
26
205
0.20640
Noche
27
205
0.10560
Mañana
27
210
0.12620
Tarde
27
210
0.16000
Noche
28
210
0.08050
Mañana
28
215
0.14610
Tarde
28
215
0.19230
Noche
29
215
0.25580
Mañana
29
215
0.07520
Tarde
29
220
0.10520
Noche
30
220
0.15652
Mañana
30
220
0.12052
Tarde
30
225
0.09772
Noche
31
225
0.14696
Mañana
31
225
0.17055
Tarde
31
230
0.12980
Noche
32
230
0.15260
Mañana
32
230
0.10870
Tarde
32
230
0.20550
Noche
33
235
0.18970
Mañana
33
235
0.15720
Tarde
33
235
0.09540
Noche
34
240
0.06961
Mañana
34
240
0.16010
Tarde
34
240
0.13210
Noche
Respecto a la comparación temporal por distancia, se observó que en el punto de menor
separación la intensidad del campo eléctrico puede disminuir con mayor rapidez entre el
periodo diurno y nocturno, mientras que a distancias mayores el comportamiento aparenta
ser inverso. Este patrón no necesariamente implica una inconsistencia del modelo o de las
mediciones, sino que puede explicarse por la combinación de factores operativos y de
propagación.
En primer lugar, a corta distancia el campo está fuertemente influenciado por condiciones
locales del entorno (ocupación del campus, movilidad de personas y vehículos, presencia
de estructuras cercanas), lo que intensifica efectos de sombreado, reflexión y
multitrayectoria, produciendo fluctuaciones más marcadas entre periodos del día.
Adicionalmente, la geometría de radiación de la antena (tilt y patrón del lóbulo principal)
Novasinergia 2026, 9(2), 174-195 182
puede generar que puntos muy cercanos no se encuentren en la dirección de máxima
radiación, incrementando la variabilidad local.
En contraste, a mayor distancia el comportamiento del campo tiende a ser más estable y, en
ciertos casos, puede incrementarse ligeramente durante la tarde o noche debido a factores
operativos de la red, como el aumento del tráfico y el uso de recursos de transmisión, lo que
modifica la potencia radiada efectiva. Por ello, la aparente inversión de tendencia entre corta
y larga distancia se interpreta como un efecto combinado de propagación y operación de
red en condiciones reales de medición.
2.3. Técnicas para el Procesamiento y depuración de datos
El procesamiento de datos se realizó utilizando el software R (versión 4.3.2) [23], que
permitió la limpieza, organización y análisis de los valores medidos, también se
implementaron librerías estadísticas especializadas (dplyr, ggplot2, nortest, car) para
garantizar un análisis robusto de los datos; previo al modelado, los valores anómalos fueron
depurados mediante la prueba de Grubbs y los datos se normalizaron para evitar sesgos
asociados a condiciones ambientales.
2.4. Modelado matemático y evaluación estadística
Posteriormente, se aplicaron distintos modelos de regresión (lineal, exponencial,
logarítmico), con el fin de identificar la función que mejor describiera la relación entre la
intensidad del campo eléctrico y la distancia. Los modelos fueron evaluados mediante el
coeficiente de determinación (R²), el error estándar residual (SEE) y la prueba de normalidad
de Lilliefors, que verificó la distribución de los residuos. Los valores obtenidos se
compararon con los límites establecidos por la ICNIRP (2020) [1].
2.5. Interpretación de datos
La interpretación de los resultados permitió validar el modelo propuesto y evidenciar
la aplicabilidad de la metodología en escenarios urbanos y educativos. El uso del software
R posibilitó la visualización gráfica de los datos mediante curvas de tendencia, intervalos
de confianza y análisis de residuales, reforzando la confiabilidad del modelo. Asimismo, la
triangulación entre los resultados empíricos, las predicciones teóricas y los estándares
internacionales fortaleció la consistencia interna del estudio.
3. Resultados
En esta sección se presentan los resultados derivados del procesamiento y
modelamiento de los datos obtenidos en campo, correspondientes a la intensidad del campo
eléctrico (E) generado por las antenas celulares ubicadas en la (ESPOCH), los datos fueron
analizados utilizando el software R, aplicando técnicas de regresión con el fin de determinar
el modelo matemático más adecuado para representar el comportamiento de la radiación
en función de la distancia.
Novasinergia 2026, 9(2), 174-195 183
3.1. Fundamentación del modelamiento
La elección de los modelos exponencial, lineal y logarítmico respondió a
fundamentos tanto teóricos como empíricos [24]. En el ámbito de la propagación
electromagnética, la atenuación del campo eléctrico con la distancia suele presentar una
tendencia no lineal, influenciada por la dispersión, absorción atmosférica y pérdidas en el
espacio libre. De acuerdo con la teoría de Maxwell y la ley del inverso del cuadrado, la
intensidad del campo disminuye de forma proporcional a la distancia y, en muchos casos,
sigue un patrón exponencial [20]. Por tanto, el modelo exponencial se consideró como el
candidato principal.
No obstante, para validar el comportamiento observado y descartar simplificaciones
excesivas, se aplicaron también los modelos lineal y logarítmico, que permiten explorar
relaciones de dependencia directa y decreciente con la distancia. Este enfoque comparativo
aseguró una selección basada en evidencia estadística y física, fortaleciendo la validez del
modelo final.
3.2. Modelo exponencial
El modelo exponencial se ajustó con la ecuación:
(1)
Con un coeficiente de determinación R² = 0.8844, indicando que el modelo explica el 88.44%
de la variabilidad observada, con un p-valor 2,2e-16. Para reforzar la validación del modelo
predictivo exponencial, además del coeficiente de determinación (R²), se calcularon métricas
de error ampliamente utilizadas en evaluación de modelos: el Error Absoluto Medio (MAE)
y la Raíz del Error Cuadrático Medio (RMSE).
Las métricas obtenidas fueron MAE = 0.083 V/m y RMSE = 0.101 V/m, lo que indica errores
de predicción reducidos en relación con los valores medidos. Estos resultados confirman la
capacidad del modelo exponencial para reproducir adecuadamente la atenuación del
campo eléctrico con la distancia, manteniendo una buena precisión predictiva en un entorno
universitario real. La Figura 3 muestra las mediciones observadas de la intensidad en
función de la distancia, evidenciando una tendencia decreciente consistente con un
decaimiento exponencial.
Se observó que, a distancias menores de 50 m, la intensidad del campo supera 1.0 V/m,
mientras que más allá de los 200 m, los valores disminuyen a 0.1 V/m o menos, esta
reducción progresiva es coherente con la atenuación típica en entornos urbanos, donde la
presencia de estructuras, reflexiones y multitrayectos modifican la propagación ideal en
espacio libre. También la homogeneidad en la pendiente de la curva sugiere que el campo
dominante se comporta dentro de la región de campo lejano, donde la componente radiada
predomina sobre las componentes reactivas.
Novasinergia 2026, 9(2), 174-195 184
Figura 3. Mediciones observadas mediante regresión exponencial.
En la Figura 4, que representa las mediciones reales con las predicciones del modelo, se
aprecia un ajuste casi perfecto entre la curva modelada y los puntos empíricos. El error
medio cuadrático (RMSE) resultó bajo, lo que refuerza la capacidad predictiva del modelo;
este resultado demuestra que la energía electromagnética se disipa principalmente por
propagación esférica y atenuación logarítmica de la intensidad, en concordancia con la
teoría de ondas radiadas, Otro punto importante es que los valores obtenidos se mantienen
por debajo de los 2 V/m, cumpliendo ampliamente con las restricciones impuestas por la
norma ICNIRP para entornos poblacionales.
Figura 4. Mediciones reales de la de regresión exponencial.
En la Figura 5 se aprecia que los residuos presentan un patrón de heterocedasticidad,
evidenciado por la variación irregular de su dispersión respecto a los valores ajustados,
dicho comportamiento sugiere que la varianza de los errores no se mantiene constante a lo
largo del rango de predicciones, lo cual puede influir en la precisión de las estimaciones y
en la solidez de las inferencias estadísticas derivadas del modelo.
Novasinergia 2026, 9(2), 174-195 185
En los diagramas de dispersión se identificó un dato atípico correspondiente a la medición
realizada a la menor distancia respecto a la estación base. Este comportamiento anómalo
puede atribuirse a efectos locales de propagación electromagnética, tales como
multitrayectoria, reflexiones en estructuras cercanas y variaciones en la línea de vista,
fenómenos que suelen ser más pronunciados en las proximidades de la fuente emisora.
En regiones cercanas a la antena pueden coexistir componentes del campo cercano radiado,
donde la distribución espacial del campo eléctrico no sigue estrictamente un
comportamiento monótono, lo que genera fluctuaciones puntuales en los valores medidos.
Por esta razón, el dato fue conservado en el conjunto de análisis, al considerarse
representativo de las condiciones reales de medición.
Figura 5. Homocedasticidad e independencia.
El test de normalidad de Lilliefors arrojó un valor D = 0.07694 con p = 0.1449 (> 0.05), por lo
que no se rechaza la hipótesis de normalidad, este resultado respalda que los residuos se
distribuyen aproximadamente de forma normal, cumpliendo con uno de los supuestos
fundamentales del análisis de regresión.
3.3. Modelo lineal
El modelo lineal se expresó como:
(2)
El R² obtenido fue 0.6097, revelando que la linealidad no capta adecuadamente la naturaleza
del fenómeno físico. En la Figura 6, que muestra las mediciones observadas, la tendencia
general es decreciente, pero presenta dispersión en torno a la recta ajustada, a medida que
la distancia aumenta, el modelo subestima las intensidades próximas y sobrestima las más
alejadas, lo que sugiere un patrón no uniforme de pérdidas.
Novasinergia 2026, 9(2), 174-195 186
Figura 6. Mediciones exploratorias de la regresión lineal.
Este comportamiento se asocia con la incapacidad del modelo lineal para representar el
efecto de la absorción electromagnética y las fluctuaciones inducidas por el entorno, desde
el punto de vista electromagnético, la energía radiada se distribuye de forma esférica y no
lineal, por lo que las simplificaciones lineales pueden inducir errores en la proyección del
campo. Sin embargo, su inclusión permitió confirmar que el decrecimiento observado no es
estrictamente proporcional, descartando un comportamiento de atenuación constante.
La Figura 7, que muestra las mediciones reales comparadas con las predicciones lineales,
refuerza esta conclusión, evidenciando desviaciones sistemáticas que se incrementan con la
distancia, estas diferencias se explican por los efectos de difracción y dispersión que alteran
la homogeneidad del frente de onda.
Figura 7. Diagrama linealizado.
Novasinergia 2026, 9(2), 174-195 187
3.4. Modelo logarítmico
El modelo logarítmico se formuló como:
(3)
El R² fue de 0.7203, reflejando un ajuste intermedio entre los modelos lineal y exponencial.
La Figura 8 presenta las mediciones observadas, en las cuales la reducción del campo con la
distancia sigue una curva suavemente decreciente, evidenciando que la atenuación no
ocurre a un ritmo constante, este modelo permite interpretar que la influencia de la distancia
sobre el campo eléctrico se reduce conforme aumenta la separación de la fuente.
Figura 8. Diagrama de dispersión del modelo logarítmico.
En términos físicos, este patrón logarítmico indica una transición gradual hacia niveles de
campo eléctrico estables a grandes distancias, donde el gradiente de energía se vuelve casi
uniforme. Este fenómeno es típico de la zona de campo lejano, donde la propagación se
estabiliza y los efectos de reflexión se reducen. No obstante, la curva predicha, mostrada en
la Figura 9, tiende a sobreestimar ligeramente las intensidades a bajas distancias, lo que
demuestra que el modelo no representa con total precisión el comportamiento de los lóbulos
de radiación y los efectos del entorno urbano.
Novasinergia 2026, 9(2), 174-195 188
Figura 9. Ajuste del modelo logarítmico.
La comparación entre mediciones reales y predicciones confirma que, si bien el modelo
logarítmico describe correctamente la tendencia general, el modelo exponencial ofrece una
mejor correspondencia con la física del fenómeno y la distribución empírica de los datos.
3.5. Comparación de desempeño y validación final
La comparación cuantitativa mostró que el modelo exponencial obtuvo el mejor
ajuste (R² = 0.8844), seguido del logarítmico (R² = 0.7203) y finalmente del lineal (R² = 0.6097).
Estas diferencias reflejan la capacidad de cada modelo para capturar la no linealidad
inherente al decaimiento del campo eléctrico.
Desde un punto de vista técnico, el modelo exponencial no solo optimiza el ajuste
estadístico, sino que además concuerda con las ecuaciones de propagación electromagnética
en medios libres, garantizando una interpretación físicamente consistente. La Figuras 10
verifican que los valores predichos se mantienen por debajo de los límites de exposición
definidos por la ICNIRP (2020) [2], lo cual valida tanto la seguridad de la radiación en el
entorno universitario como la confiabilidad del modelo propuesto para aplicaciones
predictivas futuras.
Novasinergia 2026, 9(2), 174-195 189
Figura 10. Comparación entre los valores medidos y modelados de la intensidad del campo eléctrico (V/m) y los límites
de referencia establecidos por la ICNIRP.
3.6. Análisis comparativo de la intensidad del campo eléctrico por periodo del día
Con el objetivo de analizar la variabilidad temporal de la intensidad del campo
eléctrico, se realizó un análisis comparativo de las mediciones obtenidas durante los
periodos de mañana, tarde y noche. La Figura 11 presenta un diagrama de cajas que resume
la distribución estadística de los valores medidos para cada franja horaria.
Los resultados muestran que las medianas de intensidad del campo eléctrico son similares
entre los tres periodos, situándose alrededor de 0.5 V/m, lo que indica una exposición
relativamente estable a lo largo del día. No obstante, se observa una ligera variación en la
dispersión de los datos, siendo la franja de la tarde y la noche las que presentan mayor rango
intercuartílico, lo que sugiere una mayor variabilidad en los niveles medidos.
Figura 11. Diagrama de cajas de la intensidad del campo eléctrico (V/m) para los periodos de mañana, tarde y noche.
Estas diferencias pueden atribuirse a factores operativos de la red celular, tales como el
incremento del tráfico de usuarios durante la tarde y la noche, así como a condiciones
ambientales y de propagación, incluyendo reflexiones en estructuras cercanas y variaciones
en la ocupación del entorno universitario.
Novasinergia 2026, 9(2), 174-195 190
Desde el punto de vista estadístico, las variaciones observadas no representan cambios
significativos en términos de exposición, ya que los valores medidos en todos los periodos
se mantienen muy por debajo de los límites de referencia establecidos por la ICNIRP. En
consecuencia, el análisis temporal confirma que la intensidad del campo eléctrico en el
entorno de estudio no presenta fluctuaciones relevantes que impliquen un aumento del
riesgo para la población, reforzando la consistencia y estabilidad de los resultados
obtenidos.
4. Discusión
El principal hallazgo de esta investigación demuestra que los niveles de intensidad
del campo eléctrico generados por las antenas celulares en el campus de la Escuela Superior
Politécnica de Chimborazo (ESPOCH) se encuentran por debajo de los límites establecidos
por la ICNIRP (2020) [1],[2] confirmando que la exposición a radiación electromagnética en
entornos educativos de alta densidad poblacional no representa un riesgo significativo para
la salud; este resultado valida la eficacia del modelo matemático desarrollado para predecir
la intensidad del campo eléctrico en función de la distancia, demostrando su aplicabilidad
tanto en la gestión ambiental como en la planificación de telecomunicaciones [25],[26].
Desde una perspectiva técnica, los resultados confirman la correlación inversa entre la
distancia y la intensidad del campo eléctrico, consistente con las leyes de propagación de
ondas electromagnéticas y la teoría de Maxwell [20],[27]. El modelo de regresión
exponencial mostró un mejor ajuste estadístico en comparación con los modelos lineales y
logarítmicos, al presentar valores superiores del coeficiente de determinación (R²) y menor
error estándar residual [9],[28]. Esto evidencia que la atenuación del campo eléctrico sigue
una tendencia de decaimiento exponencial, coherente con investigaciones previas realizadas
por Infante-Moreira et al. [7] y Bhatt et al. [5], quienes reportaron resultados similares en
entornos urbanos con alta densidad de radiobases.
En comparación con estudios internacionales, como los de Permyakov et al. [29] y De
Guidici et al. [3], los hallazgos de este trabajo coinciden en que los niveles de radiación
medida se mantienen dentro de los márgenes de seguridad definidos por la ICNIRP,
reforzando la validez del modelo aplicado; sin embargo, una diferencia relevante radica en
el enfoque predictivo de esta investigación, que incorpora modelamiento matemático
ajustado a condiciones locales, lo que amplía la aplicabilidad práctica del modelo propuesto
y su potencial para otros entornos similares [6],[30].
El análisis comparativo con estudios recientes publicados en revistas IEEE permite
contextualizar los resultados obtenidos y destacar los aportes del presente trabajo. En
particular, Wali et al. [31] realizaron mediciones de exposición RF-EMF en estaciones base
5G mmWave con antenas MIMO, enfocándose en la caracterización experimental del campo
electromagnético y su comparación con los límites normativos. Si bien dicho estudio aporta
información relevante sobre escenarios de alta frecuencia, su objetivo principal es
descriptivo y no incorpora un modelo matemático predictivo explícito.
De manera similar, Lee et al. [32] evaluaron los niveles de campo electromagnético en un
entorno urbano real con tecnología 5G NR en Seúl, reportando valores ambientales
Novasinergia 2026, 9(2), 174-195 191
significativamente inferiores a los límites internacionales. No obstante, el estudio se centra
en la medición y caracterización espacial, sin abordar un análisis predictivo del
comportamiento del campo eléctrico en función de la distancia.
Por su parte, Adda et al. [33] propusieron una metodología teórica y experimental para la
medición del campo electromagnético radiado por estaciones base 5G, considerando
aspectos como la extrapolación de potencia máxima y la variabilidad temporal del tráfico.
Aunque este enfoque fortalece la evaluación normativa, no plantea un modelo empírico de
predicción validado mediante métricas de error.
En el ámbito de sistemas avanzados, Aerts et al. [34] desarrollaron una metodología in situ
para la evaluación de la exposición en estaciones 5G NR Massive MIMO en la banda sub-6
GHz, destacando la complejidad asociada al beamforming y la necesidad de procedimientos
de medición específicos. En contraste, el presente estudio propone un modelo exponencial
simple e interpretable, adecuado para entornos reales como campus universitarios, donde
se requiere una herramienta práctica para estimar la atenuación del campo eléctrico con la
distancia.
Asimismo, Villaescusa-Tebar y García-Pardo [35] analizaron la exposición RF-EMF durante
eventos públicos de gran escala, evidenciando que la densidad de usuarios y la carga de red
influyen en la variabilidad temporal de los niveles medidos. Estos hallazgos son
consistentes con los resultados obtenidos en este trabajo al comparar las mediciones por
periodos del día (mañana, tarde y noche), confirmando que, pese a la variabilidad temporal,
el comportamiento global del campo eléctrico puede describirse adecuadamente mediante
una tendencia exponencial.
La importancia de estos hallazgos radica en que proporcionan una herramienta de
predicción útil para la gestión y regulación del espectro electromagnético, especialmente en
instituciones educativas. El modelo desarrollado permite anticipar escenarios de exposición
y optimizar la ubicación de antenas, contribuyendo así a la planificación urbana sostenible
y a la protección de la salud pública [6], [36]. Además, al validar los resultados con
mediciones reales obtenidas mediante los equipos Narda SRM-3006 y EME Spy-200, se
refuerza la robustez metodológica del estudio y su pertinencia en el contexto ecuatoriano
[7].
Entre las limitaciones del estudio se reconoce que las mediciones se realizaron en un periodo
temporal limitado y en condiciones ambientales específicas, lo que podría influir en la
variabilidad de los resultados. Asimismo, el modelo se ajustó principalmente a escenarios
urbanos; por lo tanto, futuras investigaciones podrían ampliar su aplicación a entornos
rurales o mixtos, así como integrar técnicas de inteligencia artificial (IA) para mejorar la
capacidad predictiva y la automatización del análisis de datos [37].
Desde un punto de vista práctico, los resultados permiten sugerir implicaciones directas
para el diseño de políticas públicas orientadas a la regulación de la instalación de antenas,
la evaluación de la exposición en espacios públicos y la implementación de medidas de
monitoreo continuo [38],[39]. Teóricamente, los hallazgos fortalecen el cuerpo de
conocimiento sobre la propagación de campos electromagnéticos, validando la pertinencia
Novasinergia 2026, 9(2), 174-195 192
de los modelos exponenciales en la descripción del comportamiento de la radiación no
ionizante [23], [40].
Este estudio demuestra que el modelo matemático propuesto no solo predice con precisión
los niveles de radiación electromagnética, sino que también ofrece una base científica sólida
para la gestión responsable del espectro radioeléctrico en el contexto académico y urbano.
Estos resultados abren la posibilidad de desarrollar modelos híbridos apoyados en IA y
aprendizaje automático para optimizar la predicción de radiación en tiempo real,
consolidando así un aporte significativo tanto para la investigación científica como para las
aplicaciones tecnológicas futuras [41], [42], [43], [44].
5. Conclusiones
El presente estudio permitió diseñar y validar un modelo matemático predictivo para
describir el comportamiento de la intensidad del campo eléctrico generado por antenas
celulares en el campus de la Escuela Superior Politécnica de Chimborazo (ESPOCH); los
resultados evidenciaron que los niveles de exposición se encuentran significativamente por
debajo de los límites establecidos por la Comisión Internacional de Protección contra
Radiaciones No Ionizantes (ICNIRP), lo que confirma la seguridad de la radiación
electromagnética en el entorno educativo analizado.
La atenuación del campo eléctrico sigue una tendencia exponencial inversamente
proporcional a la distancia, siendo el modelo exponencial el que mejor se ajusta a los datos
empíricos, con un coeficiente de determinación (R² = 0.8844), superando a los modelos
lineales y logarítmicos. Este hallazgo valida el uso del modelo exponencial como
herramienta precisa para la predicción de la intensidad del campo eléctrico en entornos
urbanos y educativos, permitiendo anticipar escenarios de exposición y garantizar
condiciones seguras para la población.
En términos prácticos, la investigación aporta un marco metodológico replicable que puede
ser utilizado por entidades académicas, gubernamentales y de telecomunicaciones para la
planificación de nuevas infraestructuras de radiobases, contribuyendo así a una gestión
sostenible del espectro radioeléctrico. Desde una perspectiva teórica, los resultados
fortalecen el cuerpo de conocimiento sobre la propagación electromagnética en entornos
reales, demostrando que los modelos matemáticos ajustados a contextos locales
proporcionan mayor exactitud que las aproximaciones genéricas.
También este trabajo demuestra la relevancia de integrar herramientas computacionales,
como el software R, con equipos de medición de alta precisión (Narda SRM-3006 y EME
Spy-200) para el análisis de datos electromagnéticos, la combinación de técnicas empíricas
y analíticas permitió obtener resultados confiables que respaldan el diseño de modelos
predictivos aplicables en diversas áreas científicas y tecnológicas.
Entre las limitaciones del estudio se destaca el carácter temporal y espacial restringido de
las mediciones, que se realizaron bajo condiciones ambientales específicas, por lo cual para
futuros trabajos deberían ampliar la cobertura espacial e incorporar el análisis de variables
atmosféricas, así como la implementación de modelos basados en inteligencia artificial (IA)
para mejorar la precisión y automatización del modelado. Además, se sugiere replicar la
Novasinergia 2026, 9(2), 174-195 193
metodología en otros entornos, como zonas rurales o industriales, con el fin de contrastar
los resultados y fortalecer la validez externa del modelo.
El modelo desarrollado constituye una herramienta científica robusta para evaluar y
predecir los niveles de exposición a campos electromagnéticos, alineándose con las
recomendaciones internacionales de la ICNIRP; por lo cual, este estudio aporta evidencia
técnica relevante para la toma de decisiones en políticas de seguridad radiológica y
urbanismo tecnológico, abriendo nuevas líneas de investigación en el ámbito del
modelamiento predictivo de radiación electromagnética y sus aplicaciones en la ingeniería
y la salud pública.
Contribuciones de los autores
Conceptualización, J.C. y L.M.; metodología, J.C. y L.M.; software, J.C. y L.M.;
validación, L.M.; análisis formal, L.M.; investigación, J.C. y L.M.; curación de datos, J.C.;
redacción—preparación del borrador original, J.C.; redacción—revisión y edición, L.M.;
visualización, J.C.; supervisión, L.M.; administración del proyecto, L.M. Todos los autores
han leído y aprobado la versión publicada del manuscrito.
Conflicto de Interés
Los autores manifiestan que no existe ningún tipo de conflicto de interés, ya sea,
financiero, personal o académico, que pueda influir en los resultados y conclusiones de este
estudio.
Declaración sobre el uso de Inteligencia Artificial Generativa
En la preparación de este artículo, se utilizó ChatGPT-5 para la corrección gramatical
y la mejora de la redacción. Todo el contenido fue revisado y aprobado por los autores.
Referencias
[1] International Commission on Non-Ionizing Radiation Protection (ICNIRP), “Principles for non-
ionizing radiation protection,” Health Phys, vol. 118, no. 5, pp. 477–482, may. 2020, doi:
10.1097/HP.0000000000001252.
[2] International Commission on Non-Ionizing Radiation Protection (ICNIRP), “A Description of
ICNIRP’S Independent, Best Practice System of Guidance on the Protection of People and the
Environment from Exposure to Non-Ionizing Radiation,” Health Phys, vol. 122, no. 5, pp. 625–628, may.
2022, doi: 10.1097/HP.0000000000001561.
[3] P. De Giudici et al., “Radiofrequency exposure of people living near mobile-phone base stations in
France,” Environ Res, vol. 194, mar. 2021, doi: 10.1016/j.envres.2020.110500.
[4] T. Koppel y L. Hardell, “Measurements of radiofrequency electromagnetic fields, including 5G, in the
city of Columbia, SC, USA,” World Acad Sci J, vol. 4, no. 3, mar. 2022, doi: 10.3892/wasj.2022.157.
[5] C. R. Bhatt et al., “Micro-environmental personal radio-frequency electromagnetic field exposures in
Melbourne: A longitudinal trend analysis,” Environ Res, vol. 251, jun. 2024, doi:
10.1016/j.envres.2024.118629.
[6] R. Ramirez-Vazquez, I. Escobar, A. Thielens, y E. Arribas, “Measurements and analysis of personal
exposure to radiofrequency electromagnetic fields at outdoor and indoor school buildings: A case
study at a Spanish school,” IEEE Access, vol. 8, pp. 195692–195702, 2020, doi:
10.1109/ACCESS.2020.3033800.
Novasinergia 2026, 9(2), 174-195 194
[7] P. S. Infante Moreira, N. Ortiz Mosquera, y X. Trujillo, “Análisis de los Niveles de Campos Eléctricos
de la Banda GSM 1900MHz en la Escuela Superior Politécnica de Chimborazo,” Perspectivas, vol. 2, no.
1, pp. 8–13, ene. 2020, doi: 10.47187/perspectivas.vol2iss1.pp8-13.2020.
[8] L. Pazmiño, F. Flores, F. Becerra, G. Cevallos, y R. Rivera, “Challenges and Opportunities of 5G
Deployment in Ecuador (extended version),” 2023. [En línea]. Disponible en:
https://easychair.org/publications/paper/WJ2k
[9] D. Maulud y A. M. Abdulazeez, “A Review on Linear Regression Comprehensive in Machine
Learning,” Journal of Applied Science and Technology Trends, vol. 1, no. 2, pp. 140–147, dic. 2020, doi:
10.38094/jastt1457.
[10] M. Fernández-Delgado, M. S. Sirsat, E. Cernadas, S. Alawadi, S. Barro, y M. Febrero-Bande, “An
extensive experimental survey of regression methods,” Neural Networks, vol. 111, pp. 11–34, mar. 2019,
doi: 10.1016/J.NEUNET.2018.12.010.
[11] G. Feng, J. Huang, y Z. Wu, “Overcoming geometric issues in the multipath propagation of
electromagnetic waves using ray tracing and spherical ground surface theory,” Optik, vol. 181, pp.
326–337, mar. 2019, doi: 10.1016/J.IJLEO.2018.12.093.
[12] S. Li, G. Cui, S. Guo, C. Jia, L. Kong, y X. Yang, “On the Electromagnetic Diffraction Propagation Model
and Applications,” IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens, vol. 13, pp. 884–895, 2020, doi:
10.1109/JSTARS.2020.2974529.
[13] A. Joudah Irshayyid y R. Abdulrida Saleh, “Robust Estimates for One-Parameter Exponential
Regression Model,” 2022. [Online]. Disponible en: http://jeasiq.uobaghdad.edu.iq
[14] N. A. Krivova et al., “The effect of exposure to RF-EMF from the laboratory simulator of 5G NR base
station on physiological parameters and cognitive abilities of male wistar rats of different ages,” Sci.
Rep., vol. 14, no. 1, dic. 2024, doi: 10.1038/s41598-024-60862-5.
[15] S. Wall, Z. M. Wang, T. Kendig, D. Dobraca, y M. Lipsett, “Real-world cell phone radiofrequency
electromagnetic field exposures,” Environ. Res., vol. 171, pp. 581–592, abr. 2019, doi:
10.1016/J.ENVRES.2018.09.015.
[16] International Commission on Non-Ionizing Radiation Protection (ICNIRP), “Guidelines for limiting
exposure to electromagnetic fields (100 kHz to 300 GHz),” May 01, 2020, Lippincott Williams and
Wilkins. doi: 10.1097/HP.0000000000001210.
[17] A. H. Sallomi y G. A. Ahmed, “Simulating the specific absorption rates in different human tissues at
4G frequencies for mobile phones,” Bulletin of Electrical Engineering and Informatics, vol. 12, no. 5, pp.
2860–2869, oct. 2023, doi: 10.11591/eei.v12i5.5058.
[18] C. Hao, X. Wan, D. Feng, Z. Feng, y X.-G. Xia, “Satellite-Based Radio Spectrum Monitoring:
Architecture, Applications, and Challenges,” IEEE Netw, vol. 35, no. 4, pp. 20–27, jul. 2021, doi:
10.1109/MNET.011.2100015.
[19] A. Lala, B. Kamo, J. Jordji y E. Agastra, “Modeling of Radio Base Stations with the Numerical FDTD
Method, for the Electromagnetic Field Evaluation,” Lecture Notes on Data Engineering and
Communications Technologies. Springer International Publishing, pp. 968-977, 2018. doi: 10.1007/978-3-
319-75928-9_89.
[20] V. V. Obukhov, “Maxwell’s Equations in Homogeneous Spaces for Admissible Electromagnetic
Fields,” Universe, vol. 8, no. 4, abr. 2022, doi: 10.3390/universe8040245.
[21] R. A. Michaels, “Telecommunications, Electromagnetic Fields, and Human Health,” Environmental
Claims Journal, vol. 31, no. 2, pp. 93–132, abr. 2019, doi: 10.1080/10406026.2019.1603442.
[22] J. S. Long y S. A. Mustillo, “Using Predictions and Marginal Effects to Compare Groups in Regression
Models for Binary Outcomes,” Sociol Methods Res, vol. 50, no. 3, pp. 1284–1320, oct. 2021, doi:
10.1177/0049124118799374.
[23] R Core Team, R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation
for Statistical Computing, 2023. [En línea]. Disponible en: https://www.R-project.org/
[24] J. Suzuki, “Nonlinear Regression,” in Statistical Learning with Math and R: 100 Exercises for Building
Logic, Singapore: Springer Nature Singapore, pp. 117–146, 2020. doi: 10.1007/978-981-15-7568-6_7.
[25] S. Bates y R. Tibshirani, “Log-ratio lasso: Scalable, sparse estimation for log-ratio models,” Biometrics,
vol. 75, no. 2, pp. 613–624, nov. 2018, doi: 10.1111/biom.12995.
[26] A. Massa et al., “Designing Smart Electromagnetic Environments for Next-Generation Wireless
Communications,” Telecom, vol. 2, no. 2, pp. 213–221, may. 2021, doi: 10.3390/telecom2020014.
Novasinergia 2026, 9(2), 174-195 195
[27] C. Skouroumounis y I. Krikidis, “Fluid Antenna With Linear MMSE Channel Estimation for Large-
Scale Cellular Networks,” IEEE Transactions on Communications, vol. 71, no. 2, pp. 1112–1125, feb. 2023,
doi: 10.1109/TCOMM.2022.3230861.
[28] J. V Terza, “Regression-Based Causal Analysis from the Potential Outcomes Perspective,” J. Econom.
Methodol. vol. 9, no. 1, jun. 2019, doi: 10.1515/jem-2018-0030.
[29] V. A. Permyakov, M. S. Mikhailov, y E. S. Malevich, “Analysis of Propagation of Electromagnetic
Waves in Difficult Conditions by the Parabolic Equation Method,” IEEE Trans Antennas Propag, vol.
67, no. 4, pp. 2167–2175, abr. 2019, doi: 10.1109/TAP.2019.2905674.
[30] J. S. Long y S. A. Mustillo, “Using Predictions and Marginal Effects to Compare Groups in Regression
Models for Binary Outcomes,” Sociol. Methods & Res, vol. 50, no. 3, pp. 1284–1320, oct. 2018, doi:
10.1177/0049124118799374.
[31] S. Q. Wali, A. Sali, J. K. Allami y A. F. Osman, “RF-EMF Exposure Measurement for 5G Over Mm-
Wave Base Station with MIMO Antenna,” IEEE Access, vol. 10, pp. 101448–101463, 2022, doi:
10.1109/ACCESS.2022.3143805.
[32] A.-K. Lee, S.-B. Jeon y H.-D. Choi, “EMF Levels in 5G New Radio Environment in Seoul, Korea,” IEEE
Access, vol. 9, pp. 19716–19722, 2021, doi: 10.1109/ACCESS.2021.3054363.
[33] S. Adda et al., “A Theoretical and Experimental Investigation on the Measurement of the
Electromagnetic Field Level Radiated by 5G Base Stations,” IEEE Access, vol. 8, pp. 101448–101463,
2020. doi:10.1109/ACCESS.2020.2998448
[34] S. Aerts et al., “In-Situ Measurement Methodology for the Assessment of 5G NR Massive MIMO Base
Station Exposure at Sub-6 GHz Frequencies,” IEEE Access, vol. 7, pp. 184658–184667, 2019, doi:
10.1109/ACCESS.2019.2961225.
[35] Á. Villaescusa-Tebar y C. García-Pardo, “Assessment of 5G RF-EMF Exposure During Large-Scale
Public Events via Field Measurements,” IEEE Access, vol. 13, pp. 150489-150497, 2025, doi:
10.1109/ACCESS.2025.3602263.
[36] T. Roy, T. O’Shea, y N. West, “Generative Adversarial Radio Spectrum Networks,” in Proceedings of
the ACM Workshop on Wireless Security and Machine Learning, ACM, New York, NY, USA, pp. 12–15,
may. 2019. doi: 10.1145/3324921.3328782.
[37] R. C. Deo, Z. M. Yaseen, N. Al-Ansari, T. Nguyen-Huy, T. A. M. Langlands, y L. Galligan, “Modern
Artificial Intelligence Model Development for Undergraduate Student Performance Prediction: An
Investigation on Engineering Mathematics Courses,” IEEE Access, vol. 8, pp. 136697–136724, 2020, doi:
10.1109/ACCESS.2020.3010938.
[38] ITU-R, Report ITU-R M.2412-0: Guidelines for Evaluation of Radio Interface Technologies for IMT-2020.
Geneva, Switzerland, 2017. [En línea]. Disponible en: https://www.itu.int/pub/R-REP-M.2412
[39] R. Pawlak, P. Krawiec, y J. Żurek, “On Measuring Electromagnetic Fields in 5G Technology,” IEEE
Access, vol. 7, pp. 29826–29835, 2019, doi: 10.1109/ACCESS.2019.2902481.
[40] S. Calonico, M. D. Cattaneo, y M. H. Farrell, “Coverage error optimal confidence intervals for local
polynomial regression,” Bernoulli, vol. 28, no. 4, pp. 2998–3022, nov. 2022, doi: 10.3150/21-BEJ1445.
[41] C. P. Rosé, E. A. McLaughlin, R. Liu, y K. R. Koedinger, “Explanatory learner models: Why machine
learning (alone) is not the answer,” British Journal of Educational Technology, vol. 50, no. 6, pp. 2943–
2958, ago. 2019, doi: 10.1111/bjet.12858.
[42] I. Abdalla, J. Cai, W. Lu, J. Yu, Z. Li, y B. Ding, “Recent progress on electromagnetic wave absorption
materials enabled by electrospun carbon nanofibers,” Carbon, vol. 213, p. 118300, sep. 2023, doi:
10.1016/J.CARBON.2023.118300.
[43] E. Håkansson, A. Amiet, S. Nahavandi, y A. Kaynak, “Electromagnetic interference shielding and
radiation absorption in thin polypyrrole films,” Eur Polym J, vol. 43, no. 1, pp. 205–213, ene. 2007, doi:
10.1016/j.eurpolymj.2006.10.001.
[44] A. Elhassan, I. Abdalla, J. Yu, Z. Li, y B. Ding, “Microwave-assisted fabrication of sea cucumber-like
hollow structured composite for high-performance electromagnetic wave absorption,” Chemical
Engineering Journal, vol. 392, jul. 2020, doi: 10.1016/j.cej.2019.123646.
