El clima es del tipo tropical (A) si la temperatura $T_{cold} es mayor que 18 grados.

$T_{cold}\geq 18$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

Si el promedio anual de precipitaciones $MAP$ es menor a diez veces el valor $P_{threshold}$

$MAP<10\times P_{threshold}$

Este ltimo se define como

$MAP<10\times P_{threshold}$

$MAP\geq 5\times P_{threshold}$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

$MAP<10\times P_{threshold}$

$MAP\geq 5\times P_{threshold}$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

$T_{hot}>10$

$0

$T_{cold}<18$

$P_{sday}\geq 40 || P_{sday}\geq\displaystyle\frac{P_{wwet}}{3} || P_{wdry}\geq \displaystyle\frac{P_{swet}}{10}$

$T_{hot}\geq 22$

$T_{hot}>10$

$0

$T_{cold}<18$

$P_{sdry}<40$

$P_{sdry}< \displaystyle\frac{P_{wwet}}{3}$

$T_{hot}\geq 22$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

$T_{hot}>10$

$0

$T_{cold}<18$

$P_{wdry}<\displaystyle\frac{P_{swet}}{10}$

$T_{hot}\geq 22$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

$T_{hot}>10$

$0

$T_{cold}<18$

$P_{sday}\geq 40 || P_{sday}\geq\displaystyle\frac{P_{wwet}}{3} || P_{wdry}\geq \displaystyle\frac{P_{swet}}{10}$

$T_{hot}\geq 22$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

$T_{hot}>10$

$T_{cold}\leq 0$

$(P_{sdry}\geq 40 || P_{sdry}\geq\displaystyle\frac{P_{wwet}}{3} || P_{wdry}\leq\displaystyle\frac{P_{swet}}{10})$

$T_{hot}\geq 22$

$T_{hot}>10$

$T_{cold}\leq 0$

$P_{sdry}<40$

$P_{sdry}<\displaystyle\frac{P_{wwet}}{3}$

$T_{hot}\geq 22$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

$T_{hot}>10$

$T_{cold}\leq 0$

$P_{wdry}<\displaystyle\frac{P_{swet}}{10}$

$T_{hot}\geq 22$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

$T_{hot}>10$

$T_{cold}\leq 0$

$(P_{sdry}\geq 40 || P_{sdry}\geq\displaystyle\frac{P_{wwet}}{3} || P_{wdry}\leq\displaystyle\frac{P_{swet}}{10})$

$T_{hot}\geq 22$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

$T_{hot}< 10$

$T_{hot}\leq 0$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$

La regla de Hebb se basa en un fen meno observado en neuronas reales. Cada vez que dos sinapsis tienen a actuar en forma sincronizada se refuerza el lazo. Si no existe una real correlaci n se tiende a debilitar la conexi n. Este comportamiento se puede modelar calculando el peso $\omega_{ij}$ entre el nodo $i$ y $j$ calculando con los valores ingresados $x_i(t)$ y entregados $y_j(t)$ mediante

$\omega_{ij}(t+\Delta t)=\omega_{ij}(t)+\eta x_i(t)y_j(t)$