Crees que la gente no coopera. Te equivocas.

Te sientas frente a un desconocido. Si los dos renuncian a algo, se donan 400 dólares para luchar contra el cambio climático. ¿Lo hará el otro? La mayoría de nosotros apuesta a que no. Y la mayoría de nosotros se equivoca.

---

Paper: Andre et al. (2026), Homo cooperans: Understanding the nature of human cooperation · Science DOI: 10.1126/science.aec9483 Datos: Replication Package — bonndata, Universität Bonn

El juego más simple del mundo

A 101.123 personas en 125 países les pusieron la misma decisión, con dinero real de por medio:

• Opción 1: quédate 100 dólares. Fin.

• Opción 2: quédate solo 70 dólares, pero si la otra persona también elige el 70, se donan 400 dólares para combatir el cambio climático.

Elegir la Opción 2 es cooperar: renuncias a algo seguro apostando a que el otro hará lo mismo. La muestra viene del Gallup World Poll (2021–2022), así que no son estudiantes de psicología: es el mundo real, de Taiwán a Tanzania.

# ══════════════════════════════════════════════════════════════
# Configuración — modifica estos valores para explorar
# ══════════════════════════════════════════════════════════════
COLOR_DATOS      = '#2563EB'   # Azul CaM — lo real
COLOR_ALERTA     = '#DC2626'   # Rojo — la excepción / el contraste
COLOR_CREENCIA   = '#D97706'   # Ámbar — lo que la gente cree
COLOR_REFERENCIA = '#7C3AED'   # Violeta — correlaciones
FUENTE = 'Fuente: Andre et al. (2026), Science | Datos: bonndata (Univ. Bonn)'

import os, urllib.request
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

# Estilo CaM (local -> fallback GitHub raw)
BASE = 'https://raw.githubusercontent.com/Ciencia-a-Mordiscos/lab/main'
style_file = '../../cam.mplstyle'
if not os.path.exists(style_file):
    style_file = '/tmp/cam.mplstyle'
    if not os.path.exists(style_file):
        urllib.request.urlretrieve(f'{BASE}/cam.mplstyle', style_file)
plt.style.use(style_file)

# Carga de los 3 CSV agregados (publicados con el paper)
paises     = pd.read_csv('datos/cooperacion_por_pais.csv')
continente = pd.read_csv('datos/cooperacion_por_continente.csv')
trat       = pd.read_csv('datos/efecto_tratamiento.csv')

print(f'Países: {len(paises)}  |  Continentes: {len(continente)}  |  Grupos del experimento: {len(trat)}')
print(f'Cooperación: media {paises.tasa_cooperacion.mean()*100:.1f}%  '
      f'mediana {paises.tasa_cooperacion.median()*100:.1f}%')
print(f'Lo que la gente CREE que coopera: {paises.creencia_cooperacion.mean()*100:.1f}%')

Países: 125  |  Continentes: 5  |  Grupos del experimento: 2
Cooperación: media 72.7%  mediana 75.0%
Lo que la gente CREE que coopera: 44.9%

Aquí está la brecha.

fig, ax = plt.subplots(figsize=(13, 5.5))

real    = paises['tasa_cooperacion'] * 100
creido  = paises['creencia_cooperacion'] * 100
subestima = paises['brecha_percepcion'] > 0

# Diagonal: dónde caería un país que se conoce perfectamente
lim = [20, 100]
ax.plot(lim, lim, color='#999999', linewidth=1.2, linestyle='--', zorder=1)
ax.text(94, 90, 'creencia = realidad', fontsize=9, color='#999999',
        rotation=37, ha='center', va='center', style='italic')

# 124 países que SUBESTIMAN (debajo de la diagonal)
ax.scatter(real[subestima], creido[subestima], color=COLOR_DATOS, s=42,
           alpha=0.80, edgecolors='white', linewidths=0.5, zorder=5)
# La única excepción: Egipto (sobreestima)
ax.scatter(real[~subestima], creido[~subestima], color=COLOR_ALERTA, s=90,
           alpha=0.95, edgecolors='white', linewidths=0.8, zorder=6)
ax.annotate('Egipto: el único que se\nsobrevalora (y el que menos coopera)',
            xy=(27.8, 34.1), xytext=(40, 27),
            fontsize=10, fontweight='bold', color=COLOR_ALERTA,
            arrowprops=dict(arrowstyle='->', color=COLOR_ALERTA, lw=1.4))
ax.text(82, 50, '124 de 125 países\nviven aquí abajo:\nsubestiman a su gente',
        fontsize=11, color=COLOR_DATOS, fontweight='bold', ha='center')

ax.set_title('¿Cuánto crees que coopera tu país... y cuánto coopera de verdad?',
             fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Cada punto es un país. Debajo de la línea = la gente subestima a sus compatriotas',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.set_xlabel('Cooperación real (%)')
ax.set_ylabel('Cooperación que la gente CREE (%)')
ax.set_xlim(20, 100); ax.set_ylim(20, 100)
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/brecha_percepcion.png', dpi=200, bbox_inches='tight')
plt.show()

Casi todos los puntos caen por debajo de la línea. Eso significa que en 124 de los 125 países, la gente cree que sus compatriotas cooperan menos de lo que en realidad cooperan. En promedio, la diferencia es de 27,8 puntos porcentuales: creemos que coopera el 45% cuando coopera el 73%.

El caso extremo es Letonia, donde la brecha llega a 58,4 puntos. Y la única excepción del planeta es Egipto, que se sobrevalora un poco —curiosamente, también es el país que menos coopera (28%).

Las creencias no están desconectadas de la realidad: donde más se coopera, la gente intuye que se coopera más (correlación de rangos ρ = 0,59). Pero esa intuición vive sistemáticamente por debajo de la verdad. Somos más cooperativos de lo que creemos.

Pero «la gente» no es igual en todas partes

Ese 73% global esconde un abismo. Veamos quiénes encabezan la lista y quiénes la cierran.

top    = paises.nlargest(8, 'tasa_cooperacion').sort_values('tasa_cooperacion')
bottom = paises.nsmallest(8, 'tasa_cooperacion').sort_values('tasa_cooperacion')
sel = pd.concat([bottom, top])

# Traducir nombres al español para las etiquetas
es = {'Taiwan':'Taiwán','Iceland':'Islandia','Sweden':'Suecia','Cyprus':'Chipre',
      'Bulgaria':'Bulgaria','Denmark':'Dinamarca','Greece':'Grecia','Switzerland':'Suiza',
      'Egypt':'Egipto','Madagascar':'Madagascar','India':'India','Tanzania':'Tanzania',
      'Lithuania':'Lituania','Namibia':'Namibia','Nigeria':'Nigeria','Israel':'Israel'}
nombres = [es.get(p, p) for p in sel['pais']]
valores = sel['tasa_cooperacion'].values * 100
colores = [COLOR_ALERTA if v < 60 else COLOR_DATOS for v in valores]

fig, ax = plt.subplots(figsize=(13, 5.5))
y = np.arange(len(sel))
ax.barh(y, valores, color=colores, alpha=0.88, edgecolor='white', linewidth=0.6)
for yi, v in zip(y, valores):
    ax.text(v + 1, yi, f'{v:.0f}%', va='center', fontsize=9,
            fontweight='bold', color='#444444')
ax.axvline(x=paises.tasa_cooperacion.mean()*100, color='#999999',
           linewidth=1.3, linestyle='--')
ax.text(paises.tasa_cooperacion.mean()*100 + 0.5, 0.2, 'media global 73%',
        fontsize=9, color='#666666', style='italic')

ax.set_yticks(y); ax.set_yticklabels(nombres, fontsize=10)
ax.set_xlabel('Cooperación (%)')
ax.set_xlim(0, 100)
ax.set_title('¿Quién coopera más? De Egipto (28%) a Taiwán (92%)',
             fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Los 8 países más cooperativos (azul) y los 8 menos (rojo)',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/ranking_paises.png', dpi=200, bbox_inches='tight')
plt.show()

Si el problema es lo que creemos… ¿se puede arreglar?

Aquí el estudio deja de solo observar y hace un experimento: a la mitad de los participantes, elegidos al azar, les contaron cuánta gente coopera de verdad antes de decidir. ¿Cambia algo decirle a la gente que sus vecinos son mejores de lo que pensaban?

ctrl  = trat[trat['grupo'].str.contains('Control')].iloc[0]
treat = trat[trat['grupo'].str.contains('Tratamiento')].iloc[0]
c_coop, t_coop = ctrl['tasa_cooperacion']*100, treat['tasa_cooperacion']*100
delta = t_coop - c_coop

# Test de dos proporciones (N enorme -> potencia alta pese a efecto pequeño)
n1, n2 = int(ctrl['n']), int(treat['n'])
p_pool = (ctrl['tasa_cooperacion']*n1 + treat['tasa_cooperacion']*n2) / (n1+n2)
se = np.sqrt(p_pool*(1-p_pool)*(1/n1 + 1/n2))
z = (treat['tasa_cooperacion'] - ctrl['tasa_cooperacion']) / se
pval = 2*(1 - stats.norm.cdf(abs(z)))
print(f'Efecto del tratamiento: +{delta:.2f} pp  |  z = {z:.2f}  |  p = {pval:.3f}')

fig, ax = plt.subplots(figsize=(10, 5.5))
x = [0, 1]
ax.plot(x, [c_coop, t_coop], color=COLOR_DATOS, linewidth=2.2,
        marker='o', markersize=14, markeredgecolor='white',
        markeredgewidth=1.5, zorder=5)
for xi, v, lab in zip(x, [c_coop, t_coop], ['Sin info', 'Con info real']):
    ax.text(xi, v + 0.12, f'{v:.2f}%', ha='center', fontsize=12,
            fontweight='bold', color=COLOR_DATOS)
# Anotar el delta
ax.annotate(f'+{delta:.2f} pp\n(p = {pval:.3f})', xy=(0.5, (c_coop+t_coop)/2),
            xytext=(0.5, c_coop - 0.45), ha='center', fontsize=11,
            fontweight='bold', color=COLOR_ALERTA)

ax.set_xticks(x)
ax.set_xticklabels(['Grupo control\n(no le dijeron nada)',
                    'Grupo tratado\n(le dijeron la verdad)'], fontsize=10, fontweight='bold')
ax.set_ylabel('Cooperación (%)')
ax.set_ylim(72.5, 74.2)  # eje recortado: el efecto es real pero pequeño
ax.set_title('¿Decir la verdad sobre los demás aumenta la cooperación?',
             fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Sí —pero el empujón es pequeño. Ojo: el eje Y está recortado para que se vea',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
fig.text(0.13, -0.03, FUENTE + ' | n = 101.123', fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/efecto_tratamiento.png', dpi=200, bbox_inches='tight')
plt.show()

Efecto del tratamiento: +0.76 pp  |  z = 2.74  |  p = 0.006

¿Qué tan generalizada es la brecha?

Un empujón de menos de un punto suena modesto. Pero recuerda contra qué pelea: una brecha de percepción que existe en casi todos los países a la vez. Veamos su forma.

brecha_pp = paises['brecha_percepcion'].values * 100
media_brecha = brecha_pp.mean()

fig, ax = plt.subplots(figsize=(10, 5))
n, bins, patches = ax.hist(brecha_pp, bins=25, color=COLOR_DATOS, alpha=0.40,
                           edgecolor=COLOR_DATOS, linewidth=0.8)
y_max = n.max() * 1.18
ax.set_ylim(0, y_max)

# Línea en cero (sin brecha) y en la media
ax.axvline(x=0, color=COLOR_ALERTA, linewidth=2.5)
ax.text(1, y_max*0.92, 'cero = sin brecha', fontsize=9,
        color=COLOR_ALERTA, fontweight='bold', va='top')
# Egipto es la única barra a la IZQUIERDA del cero (sobreestima)
ax.annotate('Egipto: el único\nque sobreestima', xy=(-6.3, 1.3), xytext=(-4, 9),
            fontsize=9, color=COLOR_ALERTA, fontweight='bold', ha='center',
            arrowprops=dict(arrowstyle='->', color=COLOR_ALERTA, lw=1.3))
ax.axvline(x=media_brecha, color='#444444', linewidth=1.5, linestyle='--')
ax.annotate('', xy=(media_brecha, y_max*0.55), xytext=(0, y_max*0.55),
            arrowprops=dict(arrowstyle='<->', color='#666666', lw=1.5))
ax.text(media_brecha/2, y_max*0.60, f'media\n{media_brecha:.0f} pp',
        ha='center', fontsize=10, color='#444444', fontweight='bold')

ax.set_xlabel('Brecha de percepción (puntos porcentuales: real − creído)')
ax.set_ylabel('Número de países')
ax.set_title('124 de 125 países subestiman a su propia gente',
             fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Casi toda la distribución está a la derecha del cero: la brecha es la norma, no la excepción',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/histograma_brecha.png', dpi=200, bbox_inches='tight')
plt.show()

Lo que los datos soportan

Afirmación	¿Soportada?	Detalle
~73% de la gente coopera	✅	Media de 125 países = 72,7% (mediana 75,0%, rango intercuartílico 65–82%). El abstract dice «cerca de dos tercios»; ponderado por población baja a ~73% por países grandes de baja cooperación (India 45%)
La gente subestima la cooperación ajena	✅	124 de 125 países (99,2%) creen menos de lo real. Brecha media 27,8 pp. Única excepción: Egipto
Las creencias siguen a la realidad	✅	Spearman ρ = 0,59 (p < 0,0001). La realidad no es normal (Shapiro p < 0,001) → se reporta Spearman, no Pearson
La norma social y las preferencias se asocian con cooperar	⚠️	Correlacional, no causal: paciencia ρ = 0,48, riesgo ρ = 0,37, norma social ρ = 0,33. El altruismo NO correlaciona (ρ = −0,11, p = 0,23)
Informar sobre la cooperación real aumenta la cooperación	✅	Único claim causal (asignación aleatoria): +0,76 pp, z = 2,74, p = 0,006. Efecto pequeño (Cohen’s h = 0,02) pero significativo por el N enorme

Limitaciones: (1) Salvo el experimento de información, todo es observacional — los determinantes se asocian con cooperar, no la causan. (2) Cooperación medida con UN juego de un solo turno; no captura cooperación repetida ni en grupos. (3) Los agregados país-nivel publicados con el paper ocultan la variación individual. (4) El efecto causal del tratamiento (~0,8 pp) es real pero modesto: corregir la percepción ayuda, no transforma.

Ahora tú

Los datos están cargados. Tres preguntas para hurgar:

1. ¿Qué pesa más, querer cooperar o creer que los demás lo harán? El DataFrame paises trae columnas de preferencias (altruismo_z, riesgo_z, paciencia_z) y de norma social. Prueba stats.spearmanr(paises['paciencia_z'], paises['tasa_cooperacion']) y compáralo con el altruismo. ¿Te sorprende cuál gana?

2. ¿Tu país está sobre o bajo la diagonal? Filtra paises[paises['pais'] == 'Colombia'] (o el que quieras) y mira su brecha_percepcion. ¿Cuánto subestima su propia gente?

3. ¿La brecha es mayor donde más se coopera? Cruza tasa_cooperacion con brecha_percepcion. ¿Los países muy cooperativos también son los que más se subestiman?

# --- EXPERIMENTA AQUÍ ---
# ¿Qué "preferencia" predice mejor la cooperación de un país?
# (Ojo: correlación, NO causa. Son datos observacionales.)

predictores = {
    'Paciencia':    'paciencia_z',
    'Aversión riesgo': 'riesgo_z',
    'Norma social': 'norma_social',
    'Altruismo':    'altruismo_z',
}
print('Correlación de rangos (Spearman) con la cooperación real:\n')
for nombre, col in predictores.items():
    rho, p = stats.spearmanr(paises[col], paises['tasa_cooperacion'])
    sig = '✓ significativa' if p < 0.05 else '✗ no significativa'
    print(f'  {nombre:16s} ρ = {rho:+.2f}   (p = {p:.4f})  {sig}')

print('\nSorpresa: el altruismo declarado NO es el que más predice cooperar.')
print('Lo que mejor acompaña a la cooperación es la paciencia y la norma social.')

Correlación de rangos (Spearman) con la cooperación real:

  Paciencia        ρ = +0.48   (p = 0.0000)  ✓ significativa
  Aversión riesgo  ρ = +0.37   (p = 0.0000)  ✓ significativa
  Norma social     ρ = +0.33   (p = 0.0002)  ✓ significativa
  Altruismo        ρ = -0.11   (p = 0.2250)  ✗ no significativa

Sorpresa: el altruismo declarado NO es el que más predice cooperar.
Lo que mejor acompaña a la cooperación es la paciencia y la norma social.

---

Fuentes

Paper: Homo cooperans: Understanding the nature of human cooperation
Science, 2026-06-04

Datos: Replication Package for “Homo Cooperans: Understanding the Nature of Human Cooperation” (Global Cooperation Dataset)
bonndata (Universität Bonn), replication package

11 afirmaciones del notebook verificadas contra estas fuentes

---

Notebook reproducible de Ciencia a Mordiscos · Repositorio del Lab · Datos bajo licencia del Replication Package