El presente trabajo tuvo como objetivo validar la utilización de acelerómetros tri axiales para el registro de comportamiento postural, en comparación con los registros obtenidos mediante observación visual directa, en vacas lecheras a pastoreo. Se utilizaron 11 vacas Holando y cruza Holando-Jersey que fueron seleccionadas del rodeo general del tambo y manejadas en un sistema de pastoreo en franjas diarias. A partir del día 0 (luego de 7 días de adaptación), al momento del ordeñe, se colocaron acelerómetros triaxiales (Hobo Pendant G Acceleration Data Logger, Onset Computer Corporation, Pocasset, MA) en el miembro posterior derecho de todos los animales. Los acelerómetros fueron programados para registrar las actividades cada 30 segundos, realizando el intercambio de los dispositivos cada siete días, y manteniéndolos durante 20 días consecutivos. A su vez, a lo largo de los 20 días, se realizó un muestreo visual directo tipo Scan sampling, a intervalos de 5 minutos, registrando el comportamiento postural (parada, echada, caminando y otros) de cada una de las vacas en estudio. El registro se realizó con 2 observadores por turno en las franjas de pastoreo asignadas. Una vez finalizado el trabajo de campo, se unificaron los datos de las observaciones visuales en una planilla de cálculo (variables de salida), realizando el mismo procedimiento con los datos obtenidos por el HOBO (datos de entrada o features). Este conjunto de datos se utilizó para desarrollar las técnicas de aprendizaje automático y así entrenar los algoritmos, para intentar predecir automáticamente el comportamiento registrado visualmente. Se eligió un modelo de aprendizaje supervisado capaz de procesar problemas de clasificación multiclase y desbalanceado. Utilizando la herramienta Google Colab se cargaron paquetes para ejecutar, y se subieron los datos de entrada (Dataset). El siguiente paso fue definir un conjunto de features relevantes al problema de la clasificación de postura, donde se filtraron por carencia de datos e importancia para la predicción. Estos datos se partieron en un grupo de entrenamiento y otro de evaluación, los de entrenamiento se utilizaron para comparar distintos modelos de aprendizaje automático supervisado (sin ajustar hiper-parámetros), obteniendo diferentes resultados de exactitud para el conjunto de evaluación; siendo Random Forest el más performante (mayor exactitud), se realizó el ajuste de hiper-parámetros obteniendo los siguientes valores: Caminando (Precisión 0,90/Recall 0,32/f1-score 0,47/Support 234); Echada (Precisión 0,94/Recall 0,95/f1-score 0,94/Support 1185); Otros (Precisión 0,00/Recall 0,00/f1-score 0,00/Support 40); Parada (Precisión 0,91/Recall 0,97/f1-score 0,94/Support 2505). En conclusión, el algoritmo desarrollado fue capaz de predecir con alta fiabilidad el comportamiento postural en vacas a pastoreo.