Introducción. Dentro de la inteligencia artificial, el uso de redes neuronales artificiales toma cada vez más importancia. Objetivo. Estimar el error de la Demanda Bioquímica de Oxígeno en aguas residuales de las empresas de jeans de la ciudad de Pelileo utilizando redes neuronales. Métodos.  En primer lugar, se desarrolló una base de datos conformada por 6 parámetros físicos, 9 parámetros químicos y una variable de salida. Estas variables se seleccionaron mediante la Norma TUSLA y fueron recopiladas del catastro del GAD Pelileo de los años 2017-2018 y de un laboratorio de análisis de aguas certificado. A continuación, se utilizó el software Matlab con el diseño de la red neuronal artificial feed forward backpropagation con la capa de entrada de 15 variables. La primera capa oculta tuvo diez neuronas, la segunda capa sumatoria con una neurona y la capa de salida con la variable de respuesta correspondiente a la estimación de la Demanda Bioquímica de Oxígeno con el algoritmo de aprendizaje de Levenberg-Marquardt. Resultados. Se obtuvo valores del coeficiente de correlación, del error estimado de la red, y de la comparación de la Prueba Tukey, tales como:  0.98081; 0.8890; 0.9833. Estas cifras revelan una concordancia entre los valores estimados por la red y los valores reales.  Finalmente, los resultados demostraron que la Demanda Bioquímica de Oxígeno se estimó numéricamente en aguas residuales a través de los modelos neuronales. Este tipo de modelo de neuronas representa sólo una parte de la función matemática que la red construye a partir del conjunto de observaciones.Introduction. Within artificial intelligence, the use of artificial neural networks is becoming increasingly important. Objective. Estimate the error of the Biochemical Oxygen Demand in wastewater from laundries of jeans of the city of Pelileo using neural networks. Methods. First, a database consisting of six physical parameters, nine chemical parameters and an output variable was developed. These variables were selected using the TUSLA Standard and were compiled from the cadastre of the GAD Pelileo of the years 2017-2018 and a certified water analysis laboratory. Next, the Matlab software was used with the design of the Artificial Neural Network FeedForward Backpropagation with the input layer of fifteen variables. The first hidden layer had ten neurons, the second summatory layer with one neuron and the output layer with the response variable corresponding to the estimation of the Biochemical Oxygen Demand with the Levenberg-Marquardt learning algorithm. Results. Values of the correlation coefficient, the estimated network error, and the comparison of the Tukey Test were obtained, susch as: 0.98081; 0.8890; 0.9833. These figures reveal a concordance between the values estimated by the network and the actual values. Finally, the results showed that Biochemical Oxygen Demand was estimated numerically in wastewater through neural models. This type of model of neurons represents only part of the mathematical function that the network builds from the set of observations.