Sensor Bayesiano en Home Assistant: guía de configuración 2026

En pocas palabras

Un sensor bayesiano (integración Bayesian de Home Assistant) no es un sensor físico, sino un binary_sensor virtual que estima una hipótesis combinando las observaciones de otros sensores mediante probabilidades. Su objetivo es mejorar la fiabilidad de la detección cuando los sensores individuales son imperfectos.

Introducción: el problema de los sensores de movimiento tradicionales

Los sensores de movimiento (PIR) son económicos, fiables para lo que hacen y muy populares en domótica. Pero tienen una limitación fundamental: detectan movimiento, no presencia. Si te sientas a leer, trabajar o ver una película, un PIR puede dejar de detectar movimiento después de un tiempo, y las luces pueden apagarse.

Este escenario es una de las frustraciones más comunes en casas inteligentes. La solución no siempre pasa por añadir otro sensor; en algunos casos puede ser más útil combinar las señales que ya tienes con una herramienta que Home Assistant ofrece de forma nativa: el sensor bayesiano.

En esta guía aprenderás:

• Qué es un sensor bayesiano y cómo funciona.
• Cuándo merece la pena usarlo (y cuándo no).
• Cómo configurarlo paso a paso (desde la UI o con YAML).
• Cómo elegir las observaciones adecuadas (PIR, mmWave, puertas, móviles…).
• Qué sensores de presencia son interesantes para este tipo de configuración.
• Errores comunes y cómo evitarlos.

¿Qué es exactamente un sensor bayesiano en Home Assistant?

La integración bayesian de Home Assistant crea un binary_sensor virtual. Su funcionamiento se basa en el teorema de Bayes, que actualiza la probabilidad de una hipótesis (p. ej., “habitación ocupada”) a medida que llegan nuevas evidencias (movimiento, puerta abierta, hora del día, etc.).

Para configurarlo necesitas definir:

• Hipótesis: el evento que quieres detectar (ej. “hay alguien en el salón”).
• Probabilidad previa (prior): la probabilidad inicial de que la hipótesis sea cierta sin ninguna observación.
• Observaciones: entidades de Home Assistant (sensores, trackers, plantillas) que aportan evidencia.
• Para cada observación:
  • prob_given_true: probabilidad de que la observación sea positiva si la hipótesis es verdadera.
  • prob_given_false: probabilidad de que la observación sea positiva si la hipótesis es falsa.
• Umbral (probability_threshold): valor (entre 0 y 1) a partir del cual el sensor se activa (pasa a on).

El sensor calcula la probabilidad posterior a partir de las observaciones disponibles y la compara con el umbral. Cuando la supera, el estado cambia a on; cuando baja, a off.

📘 Documentación oficial: Integración Bayesian de Home Assistant

Distinción clave: movimiento, presencia y ocupación estimada

Para entender bien el alcance de un sensor bayesiano, conviene distinguir tres conceptos que a menudo se mezclan:

Bayesian no detecta físicamente ninguna de estas condiciones por sí mismo; estima una hipótesis a partir de las evidencias disponibles. Esta distinción es fundamental para no atribuirle al sensor bayesiano capacidades que no tiene.

PIR vs mmWave vs Bayesian: tres conceptos distintos

¿Cuándo merece la pena usar un sensor bayesiano?

Cuándo NO usar un sensor bayesiano

Si ya dispones de un sensor mmWave que detecta presencia de forma fiable y no tienes problemas de falsos positivos, es posible que no necesites un sensor bayesiano. La integración bayesiana es especialmente valiosa cuando:

• Ningún sensor por sí solo es suficientemente fiable.
• Quieres combinar señales débiles para inferir una condición que no puede medirse directamente.
• Tienes sensores con diferentes comportamientos frente a la hipótesis y quieres incorporar esas diferencias mediante probabilidades condicionales.

Importante: Bayesian no elimina automáticamente los falsos positivos. Su resultado depende de las probabilidades que configures y de la calidad e independencia de las observaciones. Si todas las observaciones son poco fiables o están correlacionadas, el resultado también puede serlo.

¿Cómo funciona un sensor bayesiano en Home Assistant?

La documentación oficial de Home Assistant define estos parámetros con precisión:

• prior: la probabilidad de que la hipótesis sea verdadera antes de considerar cualquier observación. Debe ser un número entre 0 y 1. Por ejemplo, si es un salón familiar, podrías usar 0.4; si es un trastero, 0.05.
• prob_given_true: probabilidad de que la observación ocurra si la hipótesis es verdadera. Por ejemplo, si realmente hay alguien en el salón, ¿con qué frecuencia el sensor PIR se activa? Si suele activarse rápido, podrías usar 0.8.
• prob_given_false: probabilidad de que la observación ocurra si la hipótesis es falsa. Por ejemplo, si no hay nadie en el salón, ¿con qué frecuencia el PIR se activa por error (falso positivo)? Puede ser 0.1 si hay mascotas o corrientes de aire. No es exactamente “la probabilidad de falsos positivos”, sino la probabilidad de que la observación concreta ocurra cuando la hipótesis es falsa.
• probability_threshold: umbral a partir del cual el sensor binario se considera on. Su valor por defecto es 0.5. Un valor más alto reduce los falsos positivos a costa de aumentar potencialmente los falsos negativos. Si el umbral es superior al prior, el estado inicial del sensor será off. El umbral adecuado depende del caso concreto.

Es fundamental entender que prob_given_true no es “probabilidad de que la hipótesis sea cierta cuando el sensor está activo”. Esa es la probabilidad posterior, justamente lo que calcula el sensor. La confusión entre ambas es un error común.

Sobre la independencia de las observaciones

Más observaciones no significa automáticamente más precisión. El modelo combina las observaciones suponiendo, en la práctica, que aportan evidencia suficientemente independiente entre sí. Home Assistant no detecta ni corrige automáticamente las correlaciones entre sensores. Si dos sensores están fuertemente correlacionados, como dos PIR que detectan prácticamente los mismos movimientos, su combinación puede sobrevalorar esa evidencia.

La clave es elegir observaciones que aporten información diferente:

• Movimiento (PIR).
• Presencia estática (mmWave).
• Apertura de puertas (contexto de entrada/salida).
• Presencia del móvil (contexto de “en casa”, no de habitación).
• Hora del día (contexto temporal, aunque requiere calibrar su peso y no debe interpretarse como evidencia directa de presencia).
• Consumo eléctrico (si hay dispositivos encendidos).

Cómo configurar un sensor bayesiano paso a paso

Home Assistant permite crear el sensor bayesiano tanto desde la interfaz de usuario (UI) como mediante YAML.

Opción 1: Desde la interfaz de usuario

1. Ve a Configuración > Dispositivos y servicios.
2. Pulsa “Añadir integración”.
3. Busca “Bayesian”.
4. Sigue el asistente para crear el sensor: asigna un nombre, define la probabilidad previa (prior), añade observaciones y establece el umbral.

Importante: en YAML las probabilidades se expresan entre 0 y 1 (por ejemplo, 0.85 = 85 %), mientras que en la interfaz de Home Assistant se introducen como porcentajes, de 0 a 100 (por ejemplo, 85 = 85 %).

Opción 2: Mediante YAML (ejemplo básico)

Abre tu configuration.yaml y añade:

binary_sensor:
  - platform: bayesian
    name: "Salón ocupado"
    device_class: occupancy  # Opcional: solo afecta al icono y categoría en el frontend
    prior: 0.3
    probability_threshold: 0.85
    observations:
      - platform: "state"
        entity_id: "binary_sensor.salon_mmwave_presencia"
        to_state: "on"
        prob_given_true: 0.95
        prob_given_false: 0.15
      - platform: "state"
        entity_id: "binary_sensor.salon_puerta"
        to_state: "on"
        prob_given_true: 0.55
        prob_given_false: 0.35
      - platform: "state"
        entity_id: "device_tracker.movil_persona"
        to_state: "home"
        prob_given_true: 0.6
        prob_given_false: 0.4

⚠️ Ejemplo didáctico, no valores recomendados. Las probabilidades mostradas sirven únicamente para explicar la configuración. No deben interpretarse como valores óptimos para un sensor mmWave, PIR o puerta concreto. No existe un conjunto universal de probabilidades que funcione para todas las viviendas. Las probabilidades deben estimarse a partir del comportamiento real de tus sensores (usa el historial de Home Assistant como punto de partida).

Si utilizas packages: también puedes colocar esta configuración en un archivo dentro de tu carpeta packages/ siguiendo la estructura que tengas definida en tu instalación.

Explicación del ejemplo

• device_class: occupancy identifica la entidad como una señal de ocupación (esto no modifica el cálculo bayesiano, solo cambia la semántica visual en el frontend). Es opcional.
• mmWave: es una observación de alto peso porque puede detectar presencia incluso sin movimiento (según el modelo).
• Puerta: una puerta abierta puede indicar que alguien ha entrado o salido, pero no es concluyente; por eso su prob_given_true es más bajo.
• Móvil: el device_tracker indica que la persona está en casa, pero no necesariamente en el salón. Es una evidencia débil para la hipótesis “salón ocupado”. Por eso su prob_given_true es moderado. En este ejemplo, la diferencia entre 0.6 y 0.4 hace que el móvil aporte una evidencia relativamente débil; esto es deliberado porque saber que alguien está en casa no implica que esté en el salón. En una configuración real, esta observación solo debería tener peso si los datos históricos demuestran que estar en casa guarda una relación útil con la ocupación de esa estancia concreta.

Ejemplo avanzado y opcional: contexto temporal (no es evidencia directa de presencia)

Puedes añadir una observación basada en la hora del día para aportar contexto, pero debe usarse con precaución:

      - platform: "template"
        value_template: "{{ now().hour >= 21 or now().hour <= 7 }}"
        prob_given_true: 0.7
        prob_given_false: 0.4

Esta plantilla aumenta la probabilidad por la noche, pero debes calibrar sus pesos según tus hábitos reales. Importante: esta observación no representa presencia directa, sino una condición temporal que puede ser contextual; no debe interpretarse como una evidencia independiente de presencia si la hora ya está relacionada con otras observaciones. Trátala como un complemento opcional, no como una observación equivalente a PIR, puerta o mmWave.

Cómo estimar las probabilidades usando el historial

El historial de Home Assistant puede ayudarte a obtener datos reales con los que ajustar los valores. La documentación oficial propone utilizar el historial de Home Assistant para estimar prob_given_true y prob_given_false como la fracción de tiempo en que se cumple la observación concreta que hayas definido. Puedes hacerlo así:

1. Selecciona períodos en los que consideres que el sensor bayesiano debería estar on (hipótesis verdadera). Durante esos períodos, observa el porcentaje de tiempo que se cumple la condición de la observación. Si la observación que has definido —por ejemplo, PIR = on— ocurre aproximadamente el 90 % del tiempo, puedes utilizar 0.9 como punto de partida para prob_given_true.
2. Selecciona períodos en los que consideres que el sensor bayesiano debería estar off (hipótesis falsa). Durante esos períodos, observa el porcentaje de tiempo que se cumple la condición de la observación. Si ocurre aproximadamente el 5 % del tiempo, puedes utilizar 0.05 como punto de partida para prob_given_false.

Importante: prob_given_true no se obtiene simplemente midiendo cuánto tiempo está activo un sensor mientras hay una persona, sino la fracción de tiempo en que la observación definida —por ejemplo, PIR = on— ocurre durante periodos que consideras representativos de la hipótesis verdadera. Esta aproximación es un punto de partida útil, pero no siempre equivale directamente a prob_given_true/prob_given_false. Depende de cómo hayas definido la observación (state, numeric_state o template) y de la relación temporal entre el sensor y la hipótesis. Ajusta los valores tras observar el comportamiento real del sensor bayesiano, no trabajes hacia atrás modificando probabilidades para conseguir el comportamiento deseado.

Cómo elegir las observaciones adecuadas

Sensores mmWave (radar de ondas milimétricas)

Los sensores mmWave pueden detectar movimientos muy pequeños y, dependiendo del modelo y de su configuración, mantener la detección de presencia cuando una persona permanece prácticamente inmóvil. Su rendimiento depende de la instalación, el entorno y las capacidades concretas del dispositivo.

Sensores PIR

Detectan movimiento. Útiles como observación secundaria, especialmente para transiciones (entrada/salida), pero no fiables para presencia sostenida.

Sensores de puerta/ventana

Proporcionan evidencia contextual: una puerta que se abre puede indicar que alguien entra o sale, pero no confirma que siga dentro. Úsalos con un peso moderado.

Device trackers (móviles, relojes)

Indican que una persona está en casa (si usas home), pero no en qué habitación. Pueden aportar contexto adicional para reducir falsos negativos, pero no deberían utilizarse como evidencia principal de que una habitación concreta está ocupada.

Plantillas de tiempo

Puedes crear plantillas que reflejen la probabilidad de ocupación según la hora del día (ej. por la noche es más probable). Aportan contexto sin necesidad de hardware adicional, pero no deben interpretarse como evidencia directa de presencia.

Otras señales

• Consumo eléctrico de enchufes inteligentes (si el televisor o la luz están encendidos, es probable que haya alguien).
• Sensores de CO₂ (la concentración aumenta con la presencia humana).
• Cámaras con detección de personas (Frigate, etc.).

Sensores de presencia interesantes para este tipo de configuración

Estos sensores no son necesarios para utilizar Bayesian. Los incluimos como ejemplos de fuentes de presencia que pueden aportar una observación útil al modelo. Los precios indicados son orientativos y cambian con frecuencia; consulta siempre el precio actual en la tienda antes de comprar.

Aqara FP2 — con zonificación y múltiples objetivos

Aqara Sensor de Presencia FP2

Radar mmWave de alta precisión con detección multizona y de varias personas a la vez. Ideal como observación principal en un sistema bayesiano por su alta fiabilidad y capacidad de zonificación.

★★★★★ 4.2 (Valoración editorial)

Ver en Amazon

• Tecnología: radar mmWave de 60–64 GHz.
• Detección: presencia incluso cuando la persona permanece prácticamente inmóvil. Hasta 30 zonas configurables, hasta 5 personas simultáneamente; Aqara indica que el mejor resultado se obtiene con un máximo de 3 personas. Área de cobertura de hasta 40 m² según el fabricante.
• Conectividad: Wi-Fi 2.4 GHz.
• Integración en Home Assistant: Aqara indica que puede añadirse directamente a Home Assistant mediante HomeKit Controller, sin necesidad de un hub Aqara.
• Configuración: algunas opciones avanzadas (zonas, sensibilidad) se ajustan desde la app Aqara Home, pero una vez configurado, Home Assistant recibe los estados de presencia y ocupación por zonas.
• Ideal para: estancias grandes donde interese saber no solo si hay alguien, sino en qué zona (sofá, mesa, cocina).

📘 Ficha oficial Aqara FP2

Aqara FP1E — sensor de presencia Zigbee con mmWave

Aqara FP1E Sensor de Presencia Zigbee

Versión compacta con radar mmWave y conectividad Zigbee. Ofrece detección de presencia estática sin zonificación, ideal para estancias pequeñas o como observación secundaria.

★★★★★ 4.3 (Valoración editorial)

Ver en Amazon

• Tecnología: radar mmWave de 60–61 GHz.
• Detección: presencia incluso cuando la persona permanece prácticamente inmóvil; sin zonificación.
• Conectividad: Zigbee. Para utilizarlo dentro del ecosistema Aqara se necesita un hub Aqara Zigbee 3.0; con un hub compatible puede exponerse a Home Assistant mediante Matter-over-bridge.
• Ideal para: estancias pequeñas o donde no se necesite zonificación, pero sí detección fiable de presencia estática.

📘 Ficha oficial Aqara FP1E

Sonoff SNZB-06P — opción económica Zigbee

Sonoff SNZB-06P Sensor de Presencia Humana Zigbee

Sensor de presencia por radar de microondas con Zigbee 3.0. Ofrece detección de presencia estática a un precio muy ajustado, ideal para presupuestos limitados o como sensor secundario.

★★★★★ 4.4 (Valoración editorial)

Ver en Amazon

• Tecnología: radar de microondas de 5.8 GHz.
• Detección: presencia en reposo, alcance de hasta 4 m. Puede verse afectado por objetos en movimiento, como ventiladores, cortinas o robots aspiradores; la instalación y orientación influyen mucho en su rendimiento.
• Conectividad: Zigbee 3.0. Requiere un coordinador Zigbee para integrarlo directamente con Home Assistant mediante ZHA o Zigbee2MQTT.
• Integración en Home Assistant: mediante ZHA o Zigbee2MQTT.
• Ideal para: presupuestos ajustados o como observación secundaria.

📘 Ficha oficial Sonoff SNZB-06P

Nota: los precios y disponibilidad cambian con frecuencia. Consulta las ofertas actuales en las plataformas de venta.

Errores frecuentes al configurar un sensor bayesiano

1. Usar probabilidades sin calibrar: inventar números sin consultar el historial.
2. Añadir observaciones redundantes: dos PIR en la misma habitación no aportan información independiente.
3. Confundir prob_given_true con la probabilidad posterior: son conceptos distintos.
4. Usar probabilidades extremas sin justificación: valores como 0 o 1 pueden hacer que una observación domine el cálculo de forma absoluta. La documentación oficial desaconseja usarlos salvo que exista una razón matemática o semántica realmente justificada. Es preferible utilizar valores próximos a esos extremos y calibrados con datos reales.
5. No ajustar el umbral adecuadamente: el umbral adecuado depende del caso. Si el sensor se activa con demasiada facilidad, aumenta el umbral; si cuesta demasiado activarlo, redúcelo.
6. Omitir prob_given_false: es tan importante como prob_given_true; sin él, no penalizas las activaciones cuando la hipótesis es falsa.
7. No probar antes de usar en automatizaciones críticas: observa el comportamiento durante varios días y, si es posible, incluye diferentes situaciones y momentos del día.

Bayesian vs mmWave: ¿cuál necesitas?

En realidad, mmWave y Bayesian pueden complementarse: el mmWave proporciona una señal física de presencia y Bayesian combina esa señal con otras evidencias para tomar una decisión probabilística.

Ejemplo de automatización con el sensor bayesiano

Una vez creado, el sensor se comporta como cualquier binary_sensor. Puedes usarlo en:

• Iluminación: encender luces cuando on, apagar cuando off.
• Climatización: activar calefacción/aire acondicionado solo si la habitación está ocupada.
• Seguridad: simular presencia cuando estés fuera.
• Notificaciones: avisar si una habitación queda ocupada cuando no debería.

Ejemplo de automatización:

automation:
  - alias: "Luces salón por presencia"
    triggers:
      - trigger: state
        entity_id: binary_sensor.salon_ocupado
        to: "on"
    actions:
      - action: light.turn_on
        target:
          entity_id: light.salon

  - alias: "Apagar luces salón"
    triggers:
      - trigger: state
        entity_id: binary_sensor.salon_ocupado
        to: "off"
    actions:
      - action: light.turn_off
        target:
          entity_id: light.salon

FAQ (Preguntas frecuentes)

Configuración

Conceptos básicos

Errores y compatibilidad

Conclusión

El sensor bayesiano de Home Assistant es una herramienta potente para mejorar la detección de ocupación cuando los sensores individuales no son suficientes. No es una solución mágica, sino un mecanismo para fusionar evidencias de forma ponderada, teniendo en cuenta la fiabilidad de cada fuente y la necesidad de que las observaciones sean razonablemente independientes.

Tu misión esta semana:

1. Elige una habitación donde quieras mejorar la detección de ocupación.
2. Haz inventario de los sensores disponibles (PIR, mmWave, puertas, móviles, etc.).
3. Estima las probabilidades usando el historial de Home Assistant como punto de partida, teniendo en cuenta cómo hayas definido cada observación.
4. Crea un sensor bayesiano (desde la UI o con YAML) con 2 o 3 observaciones bien elegidas.
5. Pruébalo durante unos días, ajusta los valores y, cuando estés satisfecho, intégralo en tus automatizaciones.

Recuerda: más sensores no siempre es mejor; lo importante es que las observaciones sean relevantes y aporten información independiente.

Enlaces de interés

• Documentación oficial de la integración Bayesian
• Teorema de Bayes en Wikipedia
• Guía de sensores mmWave vs PIR
• ZHA vs Zigbee2MQTT
• Plantillas Jinja2 para sensores virtuales
• Notificaciones accionables por Telegram
• Simular presencia en vacaciones
• Home Assistant vs Node-RED
• ESPHome para sensores DIY

Actualizado: agosto de 2026. Los precios y disponibilidad de productos pueden variar.

Nota de transparencia: Este artículo puede contener enlaces de afiliados. Si realizas una compra a través de ellos, ayudas a mantener este sitio sin coste adicional para ti.