Esta tesis investiga cómo los modelos de Machine Learning (ML) pueden mejorar los pronósticos inmediatos (nowcast) del Producto Interno Bruto (PIB) de Ecuador. La hipótesis planteada es que los modelos de ML ofrecen pronósticos más precisos, medidos a través de la Raíz del Error Cuadrático Medio (RMSE). Además, se espera que estos modelos ofrezcan estimaciones en tiempo real, proporcionando información útil antes de que se publiquen las cifras oficiales del PIB, las cuales tienen un retraso de tres meses en Ecuador. Para probar esta hipótesis, utilicé varios modelos de ML, como Lasso, Ridge, Random Forest, XGBoost y Support Vector Machines (SVM), comparándolos con el modelo ARIMA, utilizado como referencia (benchmark). Empleé datos macroeconómicos con mayor frecuencia, como la inflación, la recaudación de impuestos, el consumo eléctrico, entre otras, lo que permitió obtener pronósticos en tiempo real.