Las redes neuronales recurrentes (RNN) se han utilizado ampliamente para modelar sistemas dinámicos no lineales utilizando datos de series temporales. Aunque el error de entrenamiento de las redes neuronales puede ser lo suficientemente pequeño en muchos casos, falta un marco general para guiar la construcción y determinar la precisión de generalización de los modelos de RNN que se utilizarán en sistemas de control predictivo del modelo. En este trabajo, empleamos la teoría estadística del aprendizaje automático para desarrollar un marco metodológico de límites de error de generalización para las RNN. Los modelos de RNN se utilizan luego para predecir la evolución del estado en controladores predictivos de modelo (MPC), bajo los cuales se establece la estabilidad en lazo cerrado de manera probabilística. Se utiliza un ejemplo de proceso químico no lineal para investigar el impacto del tamaño de la muestra de entrenamiento, la profundidad de la RNN, el ancho y la longitud del tiempo de entrada en el error de generalización, junto con los análisis de la estabilidad en lazo cerrado probabilística a través de las simulaciones en lazo cerrado bajo MPC basado en Lyapunov.