Momentos conocibles, abreviados como K-momentos, se redefinen como expectativas de máximos o mínimos de un número de variables estocásticas que son una muestra de la variable de interés. La nueva definición permite la aplicabilidad del concepto a cualquier tipo de variable, continua o discreta, y la generalización para transformaciones de las mismas. Aunque los K-momentos comparten algunas características con los momentos clásicos y otros momentos, así como con estadísticas de orden, también tienen algunas características únicas, que los hacen útiles en aplicaciones relevantes. Estas incluyen el hecho de que son conocibles, es decir, estimados de manera confiable a partir de una muestra para órdenes altos. Además, a diferencia de otros tipos de momentos, los valores de los K-momentos pueden asignarse valores de función de distribución haciendo uso óptimo de todo el conjunto de datos. Además, los K-momentos ofrecen la ventaja única de considerar el sesgo de estimación cuando los datos no son una muestra independiente sino una serie temporal de un proceso con dependencia. Tanto para muestras como para series temporales, el concepto de K-momento ofrece una estrategia de ajuste de modelo, incluyendo su visualización, que no se comparte con otros métodos. Esto permite la utilización de los órdenes de momento más altos posibles, que son particularmente útiles en la modelización de extremos que están estrechamente asociados con momentos de orden alto.