Priklausomi kintamieji yra stebimi reiškiniai, kuriems įtakos turi kiti reiškiniai. Pavyzdžiui, kai kas tiria, kiek šviesos turi įtakos augalų augimo greičiui, augimo greitis yra priklausomas kintamasis, nes jis priklauso nuo to, kiek šviesos augalai gauna. Kai žmonės kuria eksperimentus, jie pradžioje nustato priklausomą kintamąjį arba priklausomus kintamuosius, kad galėtų juos išmatuoti viso eksperimento metu. Jie taip pat nustato visus veiksnius, kurie gali turėti įtakos priklausomam kintamajam pagal savo galimybes.
Galima manyti, kad šie kintamieji turi vertes, kurios priklauso nuo manipuliavimo kažkuo kitu. Šis „kažkas kitas“ žinomas kaip nepriklausomas kintamasis. Nepriklausomi kintamieji gali turėti įtakos priklausomiems kintamiesiems, tačiau jie nesikeičia reaguodami į kitus eksperimento kintamuosius. Vietoj to, jais manipuliuoja eksperimentuotojas, o eksperimentatorius naudoja kontroliuojamą manipuliavimą, kad patikrintų prognozes, kaip nepriklausomo kintamojo pokyčiai pakeis priklausomą kintamąjį ar kintamuosius eksperimente.
Priklausomi ir nepriklausomi kintamieji atsiranda įvairiose vietose. Pavyzdžiui, akcijų rinkos vertė yra priklausomas kintamasis, nes ją įtakoja išoriniai veiksniai. Moksliniuose eksperimentuose priklausomi kintamieji yra dalykai, kuriuos žmonės bando tirti ir išmatuoti. Kurdami eksperimentus, mokslininkai stengiasi galvoti apie visus dalykus, kurie gali turėti įtakos tiems dalykams, kuriuos jie bando išmatuoti, kad galėtų kiek įmanoma labiau kontroliuoti eksperimento aplinką.
Mūsų aukščiau pateiktame augalų pavyzdyje augimo greitis yra priklausomas kintamasis, tačiau taip pat yra tokie dalykai, kaip augalo lapų išskyrimas, žydėjimas ar ne ir pan. Šiuo atveju keli priklausomi kintamieji gali būti pakeisti manipuliuojant nepriklausomu kintamuoju. Jei augalui neduodama pakankamai šviesos, jis gali sulėtinti augimo greitį, o suteikiant jam per daug šviesos, gali nudegti arba pažeisti lapų pumpurai, o tai neleidžia augalui lapuotis.
Žmonės gali nustatyti priklausomus ir nepriklausomus kintamuosius tokiose srityse kaip statistinė analizė, taip pat, žiūrėdami į dalykus, kurie atrodo susiję, ir tyrinėdami būdus, kuriais jie yra susieti. Tačiau čia patariama būti atsargiems. Koreliacija nėra priežastinis ryšys, o atlikdami statistinę analizę žmonės turėtų vengti pagundos supaprastinti ar manipuliuoti informacija, kad pasiektų konkretų tikslą. Gera analizė bus pati savaime, o skaitytojai turėtų sutikti su tuo, kaip tyrėjas nustatė priklausomus ir nepriklausomus kintamuosius.