Vous avez peut-être déjà entendu cette statistique qui peut paraître étonnante pour un non-averti: chaque été, la consommation de glaces et le nombre de noyades évoluent de concert, comme si l'on risquait de se noyer... en mangeant un cornet. Cette “dualité” surprenante suscite souvent des plaisanteries, mais elle illustre surtout un piège classique de l'esprit humain: confondre corrélation et causalité.
Chaleur, glaces et baignades
Lorsque la température monte de façon persistante, notre organisme cherche à évacuer l'excès de chaleur. Deux réflexes simples se déclenchent:
- Se rafraîchir au goûter: La crème glacée ou le sorbet offrent un refroidissement immédiat du palais et un plaisir gustatif. Entre 12 h et 18 h, les ventes de crèmes glacées augmentent de façon spectaculaire sur les marchés, les plages et les guinguettes.
- Se jeter à l'eau: La baignade en mer, en rivière ou en piscine devient un remède naturel contre la chaleur. Mais plus on se jette à l'eau, plus on multiplie les occasions de glisser, de se fatiguer ou d'affronter des courants, et donc de risquer un accident de noyade.
Ces deux comportements ne sont pas liés par une relation de cause à effet: ce n'est pas le “zeste” de citron glacé qui vous fait perdre l'équilibre, ni la promesse d'une brasse qui suscite votre envie de vanille pistache. Ils partagent simplement un même moteur: la chaleur estivale.
Pourquoi la corrélation ?
On parle de facteur de confusion lorsque deux variables évoluent ensemble sous l'influence d'un troisième élément. Ici, le soleil et la hausse des températures jouent ce rôle: ils font monter d'un côté la demande en desserts glacés, et de l'autre le nombre de baigneurs exposés aux risques aquatiques.
Ce phénomène est tout sauf anecdotique: il rappelle que nos cerveaux cherchent automatiquement à donner du sens à des coïncidences chiffrées, avec une tentation de tisser des liens de cause à effet lorsqu'ils observent deux courbes parallèles.
Explication mathématique
Pour mesurer la force d'une relation statistique entre deux variables, on utilise le coefficient de corrélation de Pearson, noté r. Il se calcule ainsi:
r = Cov(X, Y) / (σₓ · σᵧ)
Avec, par exemple:
-
X la consommation de glaces (en litres ou en tonnes)
-
Y le nombre de noyades (nombre d'accidents)
-
Cov(X, Y) la covariance (mesure de la manière dont X et Y varient ensemble)
-
σₓ et
σᵧ les écarts-types de X et de Y (mesure de leur dispersion individuelle)
Le coefficient r varie entre –1 et +1:
- r proche de +1 indique une forte corrélation positive (les deux variables augmentent ensemble).
- r proche de –1 signale une forte corrélation négative (l'une augmente, l'autre diminue).
- r proche de 0 signifie l'absence de corrélation linéaire.
Dans le cas présent, on pourrait avoir r > +0.80, montrant une très forte corrélation positive. Mais attention: la corrélation ne dit rien de la causalité. Pour démontrer que X cause Y, il faudrait isoler toutes les autres variables possibles, ce qui est ici impossible — la vraie cause commune restant la chaleur.
Conclusion
Le parallèle entre le pic de vente de glaces et la hausse des noyades est un excellent exemple de “corrélation trompeuse”: deux phénomènes qui se suivent sans que l'un ne déclenche l'autre. C'est la chaleur qui pousse à la fois à déguster un sorbet et à plonger dans l'eau, avec ses risques. Comprendre cet état de fait nous aide à garder un esprit critique face aux graphiques et aux statistiques, et à garder le plaisir intact: savourez vos glaces en toute sécurité, et respectez les consignes de baignade pour éviter tout accident.