La principal novedad de este artículo consiste en presentar un modelo basado en redes neuronales artificiales (ANN) para una predicción robusta de la impedancia aeroacústica dependiente de la frecuencia utilizando un conjunto de datos de modelo computacional aeroacústico (ACM) de pequeño tamaño. El modelo, que se centra en el porcentaje de área abierta (POA) y el nivel de presión sonora (SPL) a un número de Mach cero, tiene en cuenta las incertidumbres utilizando una formulación probabilística. La principal dificultad en el entrenamiento de un modelo basado en ANN es el pequeño tamaño del conjunto de datos de ACM. El aprendizaje probabilístico llevado a cabo utilizando el algoritmo de aprendizaje probabilístico en variedades (PLoM) aborda esta dificultad, ya que permite construir un conjunto de datos de entrenamiento muy grande a partir del aprendizaje del modelo probabilístico de un conjunto de datos pequeño. Se presenta un modelo de probabilidad condicional previa para la representación reducida estadística basada en PCA del vector muestreado en frecuencia de la log-resistencia y la reactancia. Este induce algunas restricciones estadísticas que no se tienen en cuenta de manera directa al entrenar un modelo basado en ANN mediante métodos de optimización clásica bajo restricciones. Una segunda novedad de este artículo consiste en presentar una solución alternativa que implica el uso de estadísticas condicionales estimadas con realizaciones aprendidas de PLoM. Se presenta un ejemplo numérico.