La misión Kepler ha sido la más exitosa hasta ahora en la búsqueda y caracterización de exoplanetas mediante la técnica del tránsito. Con este método, se mide la intensidad de la luz emitida por la estrella a intervalos regulares para detectar reducciones fotométricas que se repiten periódicamente, a partir de las cuales se puede inferir la presencia de un objeto eclipsante. La transformada wavelet se ha utilizado como alternativa a la transformada de Fourier en el filtrado de ruido en datos fotométricos astronómicos, así como en la detección de tránsitos de exoplanetas. Proponemos un nuevo enfoque basado en el uso de la transformada wavelet como herramienta matemática para establecer criterios estadísticos para la caracterización del objeto eclipsante, con el fin de diferenciar los exoplanetas de los falsos positivos, con el objetivo de que los resultados obtenidos puedan ser utilizados para entrenar un modelo de ML (Machine Learning) para analizar automáticamente miles de curvas de luz de las misiones Kepler y K2.