La observación de la nube de puntos nos proporcionará una idea de cuál puede ser el modelo funcional más apropiado para describir la relación entre las variables:

• Si los puntos se sitúan alrededor de una línea recta, la relación entre las variables es lineal y, por tanto, la función de ajuste será una función lineal (regresión lineal), tipo y=a+bx, siendo b la pendiente de la recta ajustada y a su ordenada en el origen.

• Si la nube de puntos tiene forma lineal ascendente (lo que revela que al aumentar los valores de x aumentan los de y), decimos que se trata de una relación lineal directa o positiva.

• Si la forma es descendente, la relación lineal es inversa o negativa.

• Si los puntos no se sitúan en torno a una recta, pero sí insinúan otro tipo de curva, el ajuste deberá hacerse utilizando otro modelo de relación (regresión parabólica, logarítmica, ...); por tanto, no tiene sentido buscar una función lineal que se ajuste a la nube de puntos.

• Las relaciones lineales son las más sencillas y, seguramente por eso, las que con mayor frecuencia se presentan al estudiar la relación entre dos variables. Por ello, la regresión lineal ocupa un lugar destacado y, en adelante, nos centraremos en los casos en que se aprecie una relación lineal entre las variables.

La observación de la nube de puntos nos proporcionará también una idea de si la relación es suficientemente intensa como para que tenga sentido el ajuste anterior, es decir, nos dará una idea de la bondad del ajuste:

• Cuanto más apretados están los puntos en torno a la recta de ajuste, más fuerte será la correlación. Una nube estrecha y alargada indica una correlación fuerte; una nube ancha indica una correlación débil.

• Si los puntos están situados de forma dispersa en todo el plano, de modo que no manifiestan ninguna tendencia, la correlación es prácticamente nula. La nube de puntos nos indica que la variación de los valores de una variable no provoca variaciones en la otra en ningún sentido concreto.