momento central – central moment

Momento Central

Primary Disciplinary Field(s): Estadística, Teoría de la Probabilidad, Matemáticas Aplicadas.

1. Definición Fundamental y Contexto Teórico

El momento central, conocido formalmente como el momento alrededor de la media, constituye una medida fundamental dentro de la Teoría de la Probabilidad y la Estadística Descriptiva. Su propósito primordial es cuantificar la forma de una distribución de probabilidad de una variable aleatoria, proporcionando información crucial sobre cómo se dispersan los datos en relación con su valor esperado o media. A diferencia de los momentos ordinarios (o momentos brutos), que se calculan con respecto al origen (cero), los momentos centrales se calculan tomando como referencia el centro de la distribución, lo cual los hace invariantes a traslaciones de la variable aleatoria. Esta propiedad de invarianza es esencial, ya que permite que la forma intrínseca de la distribución sea analizada sin la influencia de su ubicación absoluta en el eje numérico.

En términos conceptuales, el momento central de orden $k$ mide el valor esperado de la $k$-ésima potencia de la desviación de la variable aleatoria respecto a su media. Esta desviación, $X – mu$, donde $X$ es la variable aleatoria y $mu$ es su media, es la base de toda la familia de momentos centrales. Los momentos centrales son particularmente valiosos porque los primeros cuatro órdenes tienen interpretaciones estadísticas directas y profundas. El segundo momento central define la varianza, la tercera define la asimetría (skewness), y la cuarta define la curtosis (kurtosis). Juntos, estos momentos proveen una descripción exhaustiva de la dispersión, la simetría y la pesadez de las colas de cualquier distribución.

El estudio de los momentos, tanto ordinarios como centrales, es crucial para caracterizar completamente una distribución. Si todos los momentos de una distribución existen y son finitos, a menudo es posible reconstruir la función de densidad de probabilidad utilizando esta información, un concepto ligado al problema de los momentos de Chebyshev y Stieltjes. La importancia de los momentos centrales radica en que son las medidas más naturales para describir las características geométricas de la distribución, ya que el punto de referencia es el centro de masa de la distribución misma. Además, la existencia de los momentos centrales de orden superior implica la existencia de todos los momentos centrales de orden inferior, estableciendo una jerarquía en la caracterización de la distribución.

2. Formulación Matemática y Notación

Sea $X$ una variable aleatoria y $mu = E[X]$ su media (valor esperado). El momento central de orden $k$, denotado típicamente como $mu_k$ o $m_k$, se define formalmente como el valor esperado de la $k$-ésima potencia de la desviación de $X$ respecto a $mu$. La variable $k$ debe ser un entero positivo, y el valor $mu_k$ solo existe si $E[|X|^k]$ es finito.

Matemáticamente, esto se expresa mediante la fórmula general:

$$mu_k = E[(X – mu)^k]$$

Para variables aleatorias discretas, donde $P(X=x_i) = p_i$, la fórmula se convierte en una sumatoria ponderada de las desviaciones elevadas a la potencia $k$:

$$mu_k = sum_i (x_i – mu)^k p_i$$

Para variables aleatorias continuas, con una función de densidad de probabilidad $f(x)$, la definición implica una integral sobre todo el rango de la variable:

$$mu_k = int_{-infty}^{infty} (x – mu)^k f(x) , dx$$

Es imprescindible notar que el momento central de primer orden es siempre cero, $mu_1 = E[X – mu] = E[X] – E[mu] = mu – mu = 0$. Este resultado es una consecuencia directa de haber centrado la variable en su media, y significa que la suma de las desviaciones respecto a la media se anula, lo que refuerza la noción de la media como el punto de equilibrio o centro de masa de la distribución. Este hecho simplifica el análisis, ya que la primera característica significativa de la forma de la distribución se encuentra en el segundo momento central.

3. Momentos Centrales de Orden Bajo: Interpretación Estadística

Los primeros cuatro momentos centrales son los pilares de la estadística descriptiva moderna, proporcionando un resumen conciso de las características esenciales de cualquier conjunto de datos o distribución teórica.

• Primer Momento Central ($mu_1$): Siempre es cero. Su valor nulo es una propiedad definitoria del centrado de la distribución alrededor de su media.
• Segundo Momento Central ($mu_2$): Es la Varianza ($sigma^2$). Mide la dispersión cuadrática promedio de los datos alrededor de la media. Un valor alto de varianza indica una gran heterogeneidad en los datos, sugiriendo que las observaciones están lejos de la media. La raíz cuadrada, la desviación estándar ($sigma$), es la medida de dispersión preferida en muchas aplicaciones prácticas debido a que mantiene las unidades originales de la variable. La varianza es crucial en la inferencia estadística, siendo la base para la construcción de intervalos de confianza y pruebas de hipótesis.
• Tercer Momento Central ($mu_3$): Determina la Asimetría o sesgo (Skewness). Mide el grado de simetría de la distribución. Si $mu_3$ es cero, la distribución es simétrica. Si $mu_3 > 0$, la distribución es sesgada a la derecha (asimetría positiva), indicando que la mayoría de los datos se agrupan a la izquierda de la media y la cola derecha se extiende más. Si $mu_3 < 0$, el sesgo es negativo (sesgada a la izquierda), con la cola izquierda siendo la más larga. La asimetría es vital para evaluar la adecuación de modelos simétricos, como la distribución normal, a los datos empíricos.
• Cuarto Momento Central ($mu_4$): Determina la Curtosis (Kurtosis). Mide la “pesadez” de las colas y la agudeza del pico central en comparación con la distribución normal. Un valor alto de $mu_4$ (leptocúrtica) implica que los valores extremos (outliers) son más probables de lo esperado bajo una distribución normal, y que la masa de probabilidad se concentra tanto en el centro como en las colas, siendo el hombro de la distribución más delgado. Un valor bajo (platicúrtica) indica colas más ligeras y un pico más plano.

Es fundamental utilizar versiones normalizadas de los momentos de orden superior para facilitar la comparación entre distribuciones con diferentes escalas. El coeficiente de asimetría estandarizado es $gamma_1 = mu_3 / sigma^3$, y el exceso de curtosis es $gamma_2 = (mu_4 / sigma^4) – 3$. La normalización elimina la dependencia de la unidad de medida y permite que, por ejemplo, cualquier distribución normal tenga $gamma_1 = 0$ y $gamma_2 = 0$.

4. Relación con Momentos Ordinarios y Fórmulas de Conversión

Aunque los momentos centrales son conceptualmente superiores para describir la forma, su cálculo directo puede ser menos eficiente que el cálculo de los momentos ordinarios (o brutos). Los momentos ordinarios de orden $k$, $m’_k$, se definen como $E[X^k]$. La relación entre ambos tipos de momentos es una consecuencia directa del teorema del binomio y la linealidad del valor esperado.

La conversión de momentos ordinarios a momentos centrales es una práctica estándar en la estadística computacional. La fórmula general utiliza la expansión binomial de $(X – mu)^k$, donde $mu = m’_1$:

$$mu_k = sum_{j=0}^{k} binom{k}{j} (-1)^{k-j} (m’_1)^{k-j} m’_j$$

Las fórmulas de conversión para los órdenes más comunes son esenciales en la práctica:

• Orden 2 (Varianza): $mu_2 = m’_2 – (m’_1)^2$. Esta fórmula es la base de la mayoría de los algoritmos de cálculo de varianza, aunque su implementación numérica debe considerar problemas de estabilidad y cancelación de errores.
• Orden 3 (Asimetría): $mu_3 = m’_3 – 3 m’_1 m’_2 + 2 (m’_1)^3$.
• Orden 4 (Curtosis): $mu_4 = m’_4 – 4 m’_1 m’_3 + 6 (m’_1)^2 m’_2 – 3 (m’_1)^4$.

Estas identidades demuestran que el momento central de orden $k$ depende de todos los momentos ordinarios de orden inferior o igual a $k$. Para calcular $mu_4$, por ejemplo, se requiere conocer $m’_1, m’_2, m’_3$ y $m’_4$. Esta interdependencia subraya la naturaleza acumulativa de la información contenida en los momentos. La capacidad de transformar entre estos dos tipos de momentos es vital para la implementación de algoritmos, especialmente cuando se trabaja con grandes conjuntos de datos donde los momentos ordinarios pueden ser calculados de forma iterativa y luego ajustados para obtener los momentos centrales.

5. Propiedades de Invarianza y Transformaciones

Las propiedades matemáticas de los momentos centrales son la razón principal de su utilidad en la estadística teórica y aplicada. La más destacada es su robustez ante cambios en la localización de la distribución.

La Invarianza a la Traslación garantiza que la forma de la distribución, medida por $mu_k$ (para $k ge 2$), no se ve afectada por un desplazamiento lineal. Si $Y = X + c$, el momento central de $Y$ es idéntico al de $X$, $mu_{k, Y} = mu_{k, X}$. Esta propiedad asegura que las medidas de dispersión, asimetría y curtosis son intrínsecamente características de la distribución y no de la escala de medición utilizada (por ejemplo, si se mide la temperatura en grados Celsius o Kelvin, la varianza de la distribución permanece inalterada).

La Transformación de Escala, sin embargo, sí afecta los momentos centrales, aunque de manera predecible. Si $Y = aX$, donde $a$ es un factor de escala, el momento central de orden $k$ de $Y$ se relaciona con el de $X$ mediante $mu_{k, Y} = a^k mu_{k, X}$. Este comportamiento es intuitivo: si duplicamos la escala ($a=2$), la varianza ($mu_2$) se cuadruplica, y el tercer momento ($mu_3$) se multiplica por ocho. Esta dependencia de la escala es la razón fundamental por la que se introducen los coeficientes de asimetría y curtosis estandarizados, dividiendo $mu_k$ por $sigma^k$, para obtener medidas adimensionales.

Finalmente, la propiedad de Aditividad para Variables Independientes es crucial. Si $X$ y $Y$ son variables aleatorias independientes, el segundo momento central (varianza) de su suma es la suma de sus varianzas: $Var(X+Y) = Var(X) + Var(Y)$. Para momentos de orden superior, la relación se vuelve más compleja, pero permite el análisis de la forma de distribuciones compuestas a partir de sus componentes.

6. Aplicaciones en la Inferencia y el Modelado Estadístico

Los momentos centrales son herramientas indispensables para la inferencia estadística, el modelado de riesgo y la validación de supuestos de distribución.

El Método de los Momentos (MM), introducido por Karl Pearson, se basa directamente en la estimación de los momentos poblacionales a través de sus contrapartes muestrales. Este método utiliza los momentos centrales muestrales (como la varianza muestral o la asimetría muestral) para obtener estimaciones consistentes de los parámetros de la distribución subyacente. Aunque el Método de Máxima Verosimilitud (MLE) es a menudo más eficiente asintóticamente, el MM es más simple de implementar y proporciona una alternativa robusta cuando la función de verosimilitud es difícil de especificar o maximizar.

Una aplicación de gran relevancia es la Prueba de Normalidad. Muchos modelos paramétricos en econometría y ciencias sociales asumen que los errores siguen una distribución normal. La distribución normal tiene $gamma_1 = 0$ y $gamma_2 = 0$. La prueba de Jarque-Bera, por ejemplo, es una prueba de bondad de ajuste que utiliza directamente los estimadores muestrales de la asimetría y la curtosis para determinar si la distribución de los datos se desvía significativamente de la normalidad. La violación de la simetría o la presencia de colas pesadas (alta curtosis) puede invalidar las conclusiones basadas en modelos que asumen la normalidad.

En el sector financiero y de seguros, la gestión del riesgo depende fuertemente de los momentos centrales de orden superior. La alta curtosis (leptocurtosis) en la distribución de los rendimientos de activos indica una mayor probabilidad de pérdidas o ganancias extremas, un fenómeno conocido como “riesgo de cola”. Los modelos de Valor en Riesgo (VaR) y la modelización de la volatilidad estocástica deben incorporar información sobre la curtosis para proporcionar estimaciones precisas del riesgo sistémico y la exposición a eventos catastróficos. La asimetría negativa en los rendimientos es también una señal de que las pérdidas grandes son más probables que las ganancias grandes, una información vital para la fijación de precios de opciones y la construcción de carteras robustas.

7. Limitaciones y Generalizaciones

A pesar de su poder descriptivo, los momentos centrales no están exentos de limitaciones, especialmente cuando se trabaja con ciertas clases de distribuciones o datos contaminados.

La limitación más significativa es la no existencia de momentos para distribuciones con colas extremadamente pesadas. Por ejemplo, la distribución de Cauchy no posee media (el primer momento ordinario no existe), y por lo tanto, ninguno de sus momentos centrales existe. Para estas distribuciones, el uso de momentos centrales es inviable, y los estadísticos deben recurrir a medidas alternativas de localización y dispersión, como la mediana y el rango intercuartílico, que se basan en cuantiles en lugar de potencias de la desviación.

Otra vulnerabilidad práctica radica en la sensibilidad a valores atípicos. Los momentos centrales de orden superior son altamente sensibles a la presencia de observaciones extremas. Dado que la desviación respecto a la media se eleva a la potencia $k$, un valor atípico distante puede inflar artificialmente los estimadores de asimetría o curtosis muestrales, sesgando la percepción de la forma de la distribución poblacional. Esto ha impulsado el desarrollo de la Estadística Robusta, que utiliza estimadores que minimizan la influencia de valores extremos, como los momentos L (L-moments), que se basan en combinaciones lineales de estadísticos de orden.

El concepto de momento central se generaliza a contextos multivariados. Los momentos centrales conjuntos para dos variables $X$ y $Y$ se definen como $E[(X – mu_X)^j (Y – mu_Y)^k]$. El momento central conjunto de orden $(1, 1)$ es la covarianza, que mide la relación lineal entre las variables centradas. Estos momentos multivariados son esenciales para describir la estructura de dependencia y son la base de la matriz de covarianza, fundamental en el análisis de componentes principales y la regresión múltiple.

8. Lecturas Adicionales y Referencias

• Momento central (Estadística) – Wikipedia
• Central Moment – Wolfram MathWorld
• Varianza – Wikipedia
• Curtosis – Wikipedia
• Asimetría (Estadística) – Wikipedia
• Método de los Momentos – Wikipedia