La estimación de las distribuciones de corriente a partir de registros electroencefalográficos se conoce como un problema inverso, el cual puede resolverse aproximadamente mediante la inclusión de modelos dinámicos como restricciones espacio-temporales en la solución. En este trabajo, se considera la tarea de localización de fuentes de electroencefalografía, donde se obtiene una estructura específica para el modelo dinámico de la distribución de corriente en el cerebro, directamente de los datos de electroencefalografía, mediante el ajuste de un modelo autorregresivo multivariado. Mientras que otros enfoques consideran una aproximación de la conectividad interna de las fuentes, la metodología propuesta toma en cuenta una estructura realista del modelo estimado a partir de los datos, de manera que se haga posible encontrar mejores soluciones inversas. El desempeño de la metodología propuesta se valida sobre señales simuladas de electroencefalografía, con diferentes relaciones señal a ruido, donde la tarea de localización de fuentes se evalúa por medio de los errores de localización y de ajuste de datos. Por ´ultimo se demuestra que estimar estos modelos hace posible obtener soluciones inversas de precisión considerable, en comparación con otras soluciones inversas / Abstract: The estimation of current distributions from electroencephalographic recordings poses an inverse problem, which can approximately be solved by including dynamical models as spatio-temporal constraints onto the solution. In this paper is considered the electroencephalography source localization task, where a specific structure for the dynamical model of current distribution is directly obtained from the data by fitting multivariate autoregressive models to electrocardiographic time series. Whereas previous approaches consider an approximation of the internal connectivity of the sources, the proposed methodology takes into account a realistic structure of the model estimated from the data, such that it becomes possible to obtain improved inverse solutions. The performance of the new method is demonstrated by application to simulated electroencephalographic data over several signal to noise ratios, where the source localization task is evaluated by using the localization error and the data fit error. Finally, it is shown that by estimating MVAR models makes possible to obtain inverse solutions of considerably improved quality, as compared to the usual instantaneous inverse solutions.