La media de una variable aleatoria discreta

describe su tendencia central y la variancia

mide su variabilidad, pero estas medidas no
son suficientes para describir completamente
la forma de la distribución de probabilidad.

Los momentos de una variable aleatoria son

los valores esperados de algunas funciones
de la variable aleatoria y constituyen una
colección de medidas descriptivas con las
que se puede caracterizar de manera única a
su distribución de probabilidad. Usualmente
estas definiciones se las hace usando como
referencia el origen o la media de la variable
aleatoria.
Primer momento alrededor del cero es la media o
valor esperado de la variable aleatoria y se denota
por µ.
La media de una variable aleatoria se considera
como una cantidad numérica alrededor de la cual
los valores de la variable aleatoria tienden a
agruparse. Por lo tanto, la media es una medida
de tendencia central.
El momento de orden n de una variable aleatoria
X es el valor esperado de X elevado a la n, es
decir:
𝑚𝑛 = (𝑋𝑛), 𝑛 = 0,1,2,….

El momento n-ésimo se expresa como 𝑚𝑛

Entonces
∞
𝑚𝑛 = 𝐸[𝑋 𝑛 ] = ∫−∞ 𝑥 𝑛 𝑓(𝑥 )𝑑𝑥
Evidentemente
𝑚° = 1, 𝑎𝑟é𝑎 𝑑𝑒 𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑓𝑥 (x)
𝑚1 = 𝑥̅ , 𝑣𝑎𝑙𝑜𝑟 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜 𝑑𝑒 𝑋
El resto de los momentos respecto al origen
tienen escaso interés en la mayoría de los casos.
El segundo momento central, alrededor de la media,
recibe el nombre de varianza de la variable aleatoria.
La varianza de una variable aleatoria es una medida de
la dispersión de la distribución de probabilidad de esta.
∞
𝜇𝑛 = E[(X − 𝑋̅)𝑛 = ∫−∞(X − 𝑋̅)𝑛 𝑓𝑥 (𝑥)𝑑𝑥

Evidentemente
𝜇0 = 1, 𝑎𝑟é𝑎 𝑑𝑒 𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑓𝑥 (𝑥)
𝜇1 = 0
La varianza, 𝜎2, de una variable aleatoria X con
distribución de probabilidad (𝑥) y media 𝑋, es el
momento central de orden 2:
𝜎 2 = 𝜇2 = 𝐸[(X − 𝑋̅)] 2
En caso de una variable discreta
𝜎 2 = 𝜇2 = 𝐸[(X − 𝑋̅)] 2 = ∑𝐼(X − 𝑋̅)f(X)

En caso de una variable continua

∞
𝜎 2 = 𝜇2 = 𝐸[(X − 𝑋̅)] 2 =∫−∞(X − 𝑋̅)2 𝑓𝑥 (𝑥 )𝑑𝑥
Siendo (𝑥) la función de probabilidad o densidad.
El momento central de tercer orden
𝜇3= E[(X − 𝑋̅) 3 ] es una medida de la
asimetría de 𝑓𝑥 (𝑥) alrededor de x = 𝑋̅ =𝑚1 .
Se denomina sesgo de la función de
densidad. Si una función de densidad es
simétrica alrededor de x = 𝑋̅, tiene sesgo
cero. En este caso 𝜇𝑛 = 0 para todos los
valores impares de n. el momento central
normalizado de tercer orden, 𝜇3 ⁄𝜎 3 𝑥 , se
cómo el sesgado de la función de
densidad.
El cuarto momento central es una medida
de qué tan puntiaguda es la distribución
de probabilidad y recibe el nombre de
curtosis.
Este coeficiente indica la cantidad de
datos que hay cercanos a la media, de
manera que a mayor grado de curtosis,
más escarpada (o apuntada) será la
forma de la curva.
Las curvas se pueden clasificar en tres
grupos según el signo de su curtosis, es
decir, según la forma de la distribución:
1. Leptocúrtica: la Curtosis>0. Los datos
están muy concentrados en la media,
siendo una curva muy apuntada.
2. Mesocúrtica: la Curtosis=0.
Distribución normal.
3. Platicúrtica: la Curtosis<0. Muy poca
concentración de datos en la media,
presentando una forma muy achatada.
Coeficiente de curtosis, g2, que se calcula
como el cociente entre el cuarto momento
y el cuadrado de la varianza, al que se le
resta 3 unidades. Esta corrección se debe
a que, sin ella, las variables normales
tendrían coeficiente de curtosis igual a 3;
al restar 3 conseguimos que el coeficiente
de curtosis de la variable normal sea 0 y
que las variables Platicúrtica tengan
coeficiente de curtosis negativo y la
Leptocúrtica positivo.