Dada la necesidad de obtener modelos de diagnóstico escalables y económicos que apoyen la toma de decisiones de los profesionales médicos a saber si el paciente padece la enfermedad de Parkinson, esta investigación tiene como objetivo desarrollar un modelo computacional para el apoyo al diagnóstico de pacientes con Parkinson. La solución propuesta consiste en la combinación de técnicas de Minería de Datos de Series de Tiempo Multivariadas en datos relacionados a los trastornos motores (temblor y rigidez) que afectan a los pacientes con Parkinson. Luego para obtener un predictor más estable se hace uso de los métodos de agregación, basado principalmente en las técnicas de Clasificador por Conjuntos Ponderados (Weighted Ensemble Classifier). Durante el desarrollo de los experimentos se utilizó la plataforma Anaconda; la distribución libre y abierta de los lenguajes Python y R; y la librería de código abierto para el análisis de series temporales Sktime. Se utilizaron los repositorios de datos de la enfermedad de Parkinson de la Universidad de California, Irvine (UCI) y la metodología CRISP-DM.