Se propone un método usando Redes Neuronales Recurrentes para la predicción de datos caóticos, aplicando la Teoría del Caos, para estudiar el comportamiento dinámico de los datos en el espacio multidimensional de las fases, establecer la correlación de los mismos y determinar la dimensión de encaje como base para el entrenamiento de las redes neuronales, así como determinar las características dinámicas del sistema calculando los coeficientes de Lyapunov y la entropía de Kolmorov-Siani, que nos indican el grado de desorden que tiene el sistema, para proyectar la precisión de la predicción. Se usan datos de contaminantes PM2.5 tomados en el centro Histórico de la ciudad de Quito, en intervalos de una hora, entre los años 2005 a 2019. Los resultados determinan que las series de datos corresponden a un sistema caótico (más de un coeficiente positivo de Lyapunov), por lo que se justifica la aplicación de la Teoría del Caos en el análisis de los mismos, dando buenos resultados en las predicciones aplicando los métodos de redes neuronales recurrentes de Elman y Jordan, al comparar las series predichas se demuestran que no presentan diferencias significativas entre ellas, ni con los datos medidos, usando el método de varianza con 0,05 de significancia,  el error cuadrático porcentual respecto al rango de variación de los datos es aproximadamente del 5 % en ambos casos. Objetivos: Proponer un método que ayude al entrenamiento de las redes neuronales usando la Teoría del caos, mediante la implementación de la dimensión de encaje en el espacio de las fases.A method is proposed using Recurrent Neural Networks for the prediction of chaotic data, applying Chaos Theory, to study the dynamic behavior of the data in the multidimensional space of the phases, establish the correlation of the same and determine the embedding dimensions as a basis for the training of the neural networks, as well as determine the dynamic characteristics of the system by calculating the Lyapunov coefficients and the Kolmorov-Siani entropy,  that tell us the degree of disorder that the system has, to project the accuracy of the prediction. Data on PM2.5 pollutants taken in the Historic Center of the city of Quito, at one-hour intervals, between the years 2005 to 2019, are used. The results determine that the data series correspond to a chaotic system (more than one positive Lyapunov coefficient), so the application of Chaos Theory in the analysis of them is justified, giving good results in the predictions applying the methods of recurrent neural networks of Elman and Jordan, when comparing the predicted series they are shown that they do not present significant differences between them,   nor with the measured data, using the method of variance with 0.05 significance, the percentage square error with respect to the range of variation of the data is approximately 5% in both cases. Objectives: To propose a method that helps the training of neural networks using Chaos Theory, by implementing the socket dimension in the space of the phases.