La reconstrucción precisa de la actividad de origen cortical profundo a partir de grabaciones de EEG es esencial para comprender los procesos cognitivos. Sin embargo, actualmente, hay una falta de métodos confiables para evaluar el rendimiento de los algoritmos de localización de origen de EEG. Este estudio establece un marco de evaluación de algoritmos, utilizando modelos realistas de cabeza humana y señales de origen de EEG simuladas con propagaciones espaciales. Comparamos el rendimiento de varios algoritmos Bayesianos recientemente propuestos, incluyendo Dugh completo, Dugh delgado y Mackay, contra métodos clásicos como MN y eLORETA. Nuestros resultados, basados en 630 simulaciones de Monte Carlo, demuestran que Dugh delgado y Mackay son matemáticamente sólidos y tienen un rendimiento significativamente mejor en la reconstrucción de origen espacial y temporal que los algoritmos clásicos. Mackay es menos robusto espacialmente, mientras que Dugh delgado tiene el mejor rendimiento en general. Por el contrario, mostramos que Dugh completo tiene importantes fallos teóricos que afectan negativamente la precisión de la localización. Esta investigación destaca las ventajas y limitaciones de varios algoritmos de localización de origen, proporcionando información valiosa para el desarrollo y la mejora futura de los métodos de localización de origen de EEG.