a:

Korelační koeficient může být použit k měření lineární závislosti mezi dvěma náhodnými proměnnými. Nejběžnější korelační koeficient, generovaný korelací produktu Pearson-moment, lze použít k měření lineárního vztahu mezi dvěma proměnnými. Nicméně v nelineárním vztahu nemusí být tento korelační koeficient vždy vhodnou mírou závislosti.

Rozdíly mezi korelací a závislostí mohou být ilustrovány koncepty korelace a příčinnosti. Koeficient korelace neindikuje přítomnost kauzálního vztahu mezi dvěma proměnnými. Neexistuje například osvědčený kauzální vztah mezi štěstí a fyzickou silou. Zatímco analýza dat může naznačovat pozitivní korelaci mezi těmito dvěma proměnnými, neznamená to, že štěstí způsobuje zvýšení fyzické síly nebo její konverzace - že zvýšení fyzické síly způsobuje štěstí - jsou pravdivé. Proto závislost jedné proměnné na druhé nemůže být zjištěna přímo z koeficientu korelace kvůli působení cizích náhodných proměnných, které ovlivňují statistickou závislost. Například korelace mezi počtem námořníků na lodi a jeho průměrnou rychlostí neznamená příčinnou souvislost kvůli přítomnosti několika dalších faktorů, jako jsou povětrnostní podmínky, nastavení škrticí klapky a její užitečné zatížení. Finanční odvětví také používá principy příčinných vztahů a korelace ve vztahu k poměru mezi ziskem na akcii (EPS) a jinými finančními ukazateli.

Existuje několik typů korelačních koeficientů použitých k určení vztahu mezi různými typy dat, včetně korelace Spearman rank-order, Biserial korelace a Phi korelace. Koeficient korelace Pearson je označen písmenem "r" a může být použit k interpretaci síly nebo slabosti vztahu mezi dvěma proměnnými mezi hodnotami +1 a -1. Je-li na čtverec, je výsledná hodnota známá jako koeficient určení, který vyjadřuje změnu takového vztahu.