El cómputo consciente del contexto ofrece muchas ventajas para la interacción humano computadora, apoyando el desarrollo de inteligencia ambiental con artefactos computacionales que pueden responder a las necesidades de los usuarios. Uno de los principales retos en el cómputo consciente del contexto es el reconocimiento del contexto. Mientras algunas variables contextuales como ubicación, pueden ser reconocidas con relativa facilidad, otras, como la actividad, son más difíciles de estimar. Un ambiente apropiado para el uso de aplicaciones conscientes del contexto es el hospitalario. Los hospitales son ambientes ricos en tecnología, cuyos trabajadores experimentan un alto nivel de movilidad resultando en infraestructuras de información con artefactos distribuidos. De hecho, algunos elementos de cómputo consciente del contexto están siendo gradualmente introducidos en hospitales (estos varían desde PDAs, etiquetas RFID para el seguimiento de pacientes, dispositivos de comunicación activados por voz y sensores para monitoreo de pacientes). No obstante, experiencias en el desarrollo de aplicaciones conscientes del contexto en hospitales han enfatizado que las aplicaciones deben proveer confianza en la acción para la adopción exitosa de tales aplicaciones. Esto ha motivado el desarrollo de aplicaciones conscientes de la actividad de trabajadores hospitalarios. Trabajos previos han buscado inferir la actividad de las personas utilizando diferentes técnicas. Estas técnicas varían desde enfoques que estiman actividades de baja abstracción (por ejemplo masticando o sentado) hasta enfoques para estimar actividades más complejas. Nuestra base de trabajo relacionado propone un enfoque que utiliza redes neuronales de retropropagación (RN) la cual fue entrenada para hacer corresponder la información contextual con actividades realizadas por los trabajadores hospitalarios. Los resultados indicaron que se puede predecir la actividad de los trabajadores hospitalarios el 75% de las veces. Aunque la precisión obtenida con este enfoque es suficiente para el desarrollo de muchas aplicaciones conscientes del contexto, no es suficiente para apoyar la naturaleza del trabajo hospitalario. De aquí, que decidimos centrar nuestros esfuerzos en mejorar la precisión obtenida utilizando modelos ocultos de Markov. La metodología seguida incluyó el análisis de la colección de datos, la representación de dicha información, seguida de un estudio de relevancia de las variables contextuales que como resultado redujo la dimensión del vector de entrada utilizado por RN un 38%.Y finalmente el diseño y pruebas del modelo para estimar la actividad utilizando modelos ocultos de Markov. Nuestros resultados indican que la actividad de los trabajadores hospitalarios puede ser estimada correctamente el 92.6% de las veces utilizando un modelo oculto de Markov en paralelo. Se realizó la comparación de los resultados obtenidos con los de redes neuronales y observadores expertos familiarizados con las prácticas laborales en un ambiente hospitalario resultando que la precisión de estimación de actividades con el modelo en paralelo propuesto es superior un 17% comparada con RN y un 56% comparada con observadores expertos. Adicionalmente se mostró la robustez del modelo ante la estimación de actividad con ruido en el vector de entrada.Context-aware computing can be used to augment working and living environments with computational artifacts that can be responsive to the needs of users. One of the main challenges in context-aware computing is context recognition. While some contextual variables, such as location, are relatively easily estimated, others, such as activity are more complex to determine.  A particular environment that could be enriched using context-aware applications are hospital settings. Not only are they technology-rich environments, but their workers experience a high level of mobility resulting in information infrastructures with artifacts distributed throughout the premises. Indeed, some elements of context-aware computing (PDAs, RFID tags for patient tracking, voice-activated communication devices, and sensors for patient monitoring) are gradually being introduced in hospitals. However, experiences in the deployment of context-aware applications in hospitals have emphasized that we must provide “confidence in action” for the successful adoption of such applications. This has motivated the development of hospital workers activity-aware applications.   Previous efforts have been made to infer the activities of people using different techniques. These techniques range from approaches that estimate activities at a low level of abstraction (e.g., chewing, sitting) to approaches that estimate more complex activities. Our base related work proposed an approach that uses a back propagation neural network (NN) which was trained to map from contextual information to activities performed by hospital workers. Their results indicate that this technique could correctly predict hospital workers’ activities 75% of the time. Although, the accuracy obtained by this approach is sufficient for the development of several context-aware applications, it is not enough to support the nature of hospital work. Hence, we decided to center our efforts on improving the accuracy obtained by using HMM.  The methodology we followed included the analysis of the data collection, the proper representation of this data, followed by a study of the relevance of the contextual variables, and finally the design and testing of the model to estimate the activity of hospital workers using HMM.  Our results indicate that the user activity can be correctly estimated 92.6% of the time, using a two level parallel layered HMM. We compare our results with the use of neural networks and human observers familiar with those work practice concluding that the accuracy of the parallel model proposed is higher 17% than neural NN and higher 56% than human observers. Additionally we probed the robustness of the model testing it with noise in the input vectors.