LA DISTRIBUCIÓN DE RAYLEIGH

______________________________________________________________________________________________________
___

1. Relación entre la distribución de Rayleigh y la distribución Normal

Si X e Y son variables aleatorias independientes con distribución normal de media cero y

misma distribución tipo σ, entonces la variable aleatoria:

Z = X 2 +Y 2

sigue una distribución de Rayleigh con función de densidad:

z2
z − 2
f (z ) = 2 e 2 σ para z ≥ 0 .
σ

En general si X N(µX,σ X) y Y N(µY,σ Y), y si X e Y son independientes, entonces la variable

bidimensional (X,Y) sigue la distribución normal bivariada con función de densidad:
1   x − µ X   y − µY  
2 2
−    +
 

1 2   σ X   σY  
f (x , y ) = e  
para − ∞ < x < ∞ y − ∞ < y < ∞
2 πσ X σY
En particular, si µX =µ X =0 y σX =σ X =σ , entonces:

1 −
2σ 2
[x1 2
+y 2 ]
f (x , y ) = e
2 πσ 2
Haciendo el cambio:
x = r ⋅ cos φ = G1 (r ,φ )
y = r ⋅ senφ = G 2 (r ,φ )
convertimos las coordenadas cartesianas en coordenadas polares. Las nuevas variables
aleatorias quedan expresadas en función de X e Y como sigue:

r = x2 +y2
y
φ = arctg
x
Podemos obtener la función de densidad conjunta de las nuevas variables aleatorias
mediante(1):
g (r ,φ ) = f [G1 (r , φ ),G 2 (r , φ )] ⋅ J (r ,φ )
siendo:
[(r ⋅cos φ )2 +(r ⋅senφ )2 ] 1
2
1 r
− −
f [G1 (r ,φ ),G 2 (r ,φ )] =
1 σ = e σ
2 2
e 2 2
2 πσ 2
2 πσ 2

1)
Véase el anexo 1

______________________________________________________________________________________________________
___

TEP 03 A3 v2 (31.1.03) Hoja 1 de 14

LA DISTRIBUCIÓN DE RAYLEIGH
______________________________________________________________________________________________________
___

∂x ∂x
J (r ,φ ) =
∂r
∂y
∂φ
∂y
=
cos φ
senφ
− r ⋅ senφ
r ⋅ cos φ
(
= r ⋅ cos 2 φ − − r ⋅ sen 2 φ = r)
∂r ∂φ
Por consiguiente:
r2 r2
1 − r −
g (r ,φ ) = e 2σ 2 ⋅ r = e 2σ2
2 πσ 2
2 πσ 2

en el dominio 0 ≤ r ≤ ∞ , esto es r ≥ 0 , y 0 ≤ φ ≤ 2π .
La función de densidad marginal de la variable aleatoria R resulta de resolver la integral:
∞

h (r ) =
∫ g (r ,φ )dφ
−∞

que, teniendo en cuenta el valor de g ( r ,φ ) y su campo de definición, se transforma en:

2π r2 r2 r2
− − −
r r 2 σ 2 [φ ]2 π = r e 2 σ 2
h (r ) =
∫
0
2 πσ 2
e 2 σ 2 dφ =
2 πσ 2
e 0
σ2

para valores r ≥ 0 . Para r < 0 , h(r ) = 0 . Esta es la función de densidad de la distribución de

Rayleigh.

(2)
En definitiva , si X e Y son variables aleatorias independientes con distribución normal de
media cero y misma distribución tipo σ, entonces la variable aleatoria:

2)
Problema nº 9.7 propuesto sin resolución en Meyer (1973) p.213.

______________________________________________________________________________________________________
___

Hoja 2 de 14 TEP 03 A3 v2
 LA DISTRIBUCIÓN DE RAYLEIGH
______________________________________________________________________________________________________
___

Z = X 2 +Y 2

sigue una distribución de Rayleigh con función de densidad:

z2
z − 2
f (z ) = 2 e 2 σ para z ≥ 0 .
σ
En particular, si σ= 1, entonces se obtiene la distribución de Rayleigh estándar(3):
z2
−
f (z ) = ze 2 para z ≥ 0 .
Como resultado de la raíz cuadrada de los cuadrados de dos variables aleatorias
independientes con distribución N(0,1)(4).

2. Función de distribución de Rayleigh

Si la variable aleatoria X sigue una distribución Rayleigh con función de densidad:

x2
x − 2
f (x ) = 2 e 2 σ para x ≥ 0
σ
su función de distribución es:
x2
−
F ( x ) =1 − e 2σ 2 para x ≥ 0

La función de distribución se calcula integrando la función de densidad:

x

F (x ) = f (x )dx
∫
∞
Como f ( x) = 0 para x < 0 :
x x2
x −2 σ 2
F (x ) =
σ2
e
∫
0
dx

Haciendo el cambio de variable:

x2
− =t
2σ 2
x = − 2σ 2t
r
dt = − 2 dx
σ
llegamos a:

3)
La calificación de estándar no está generalizada; resulta de hacer un paralelismo con la distribución normal
estándar N(0,1).
4)
Meyer (1973) p.228

______________________________________________________________________________________________________
___
TEP 03 A3 v2 Hoja 3 de 14
LA DISTRIBUCIÓN DE RAYLEIGH
______________________________________________________________________________________________________
___

0
− 2 σ 2t o  − x2  x2

∫e (−dt ) = ∫ e dt =[e ]
−
t 0
F (x ) = = e 2 σ  =1 − e 2 σ 2
t t 2
− 2 σ 2t
 
0 − 2 σ 2t  x
En resumen:
x2
−
F (x ) =1 − e 2σ2

es la expresión de la función de distribución de Rayleigh, que en el caso de la distribución

Rayleigh estándar ( σ = 1) se reduce a:
x2
−
F (x ) =1 − e 2

______________________________________________________________________________________________________
___

Hoja 4 de 14 TEP 03 A3 v2
 LA DISTRIBUCIÓN DE RAYLEIGH
______________________________________________________________________________________________________
___

Distribución de Rayleigh (de parámetro σ=1)

x f(x) F(x)
0 0 0,00000000%
0,2 0,19603973 1,98013267%
0,4 0,36924654 7,68836536%
0,6 0,50116213 16,47297886%
0,8 0,58091923 27,38509629%
1 0,60653066 39,34693403%
1,2 0,58410271 51,32477440%
1,4 0,52543554 62,46889011%
1,6 0,44485968 72,19626995%
1,8 0,35621766 80,21013009%
2 0,27067057 86,46647168%
2,2 0,19562756 91,10783825%
2,4 0,13472343 94,38652372%
2,6 0,08852338 96,59525453%
2,8 0,05555507 98,01589053%
3 0,03332699 98,88910035%
3,2 0,01912327 99,40239771%
3,4 0,01050163 99,69112846%
3,6 0,00552172 99,84661893%
3,8 0,00278085 99,92681976%
4 0,00134185 99,96645374%
4,2 0,00062054 99,98522516%
4,4 0,00027509 99,99374785%
4,6 0,00011693 99,99745807%
4,8 0,00004766 99,99900705%
5 0,00001863 99,99962733%
5,2 0,00000699 99,99986562%
5,4 0,00000251 99,99995344%
5,6 0,00000087 99,99998450%
5,8 0,00000029 99,99999504%
6 0,00000009 99,99999848%
6,2 0,00000003 99,99999955%
6,4 0,00000001 99,99999987%
6,6 0,00000000 99,99999997%
6,8 0,00000000 99,99999999%
7 0,00000000 100,00000000%

3. Esperanza matemática y varianza de la distribución Rayleigh

Si la variable aleatoria X sigue una distribución Rayleigh con función de densidad:

x2
x − 2
f (x ) = 2 e 2 σ para x ≥ 0
σ
su esperanza matemática es:
 π 
E (X ) =  σ
2 
 
y su varianza:
4 −π
V (X ) = σ
2

La esperanza matemática es por definición:

______________________________________________________________________________________________________
___
TEP 03 A3 v2 Hoja 5 de 14
LA DISTRIBUCIÓN DE RAYLEIGH
______________________________________________________________________________________________________
___

E (X ) =
−∞
∫ x ⋅ f (x )dx
Como f ( x) = 0 para x < 0 :
∞ x2 ∞ x2
x −2 σ 2 x 2 −2 σ 2
∫
E (X ) = x 2 e
σ
0
dx =
σ2
e dx
∫
0
Haciendo el cambio de variable:
x2
=t
2σ 2
x = 2σ 2t
2σ 2 σ
dx = dt = dt
2 2σ 2t 2t
y aplicándolo:
∞ ∞ ∞
2 σ 2 t −t σ
E (X ) =
0
∫ σ 2
e
2t 0
∫
dt = 2 t ⋅ σ ⋅ e −t dt = 2 ⋅ σ t ⋅ e −t dt
0
∫
Recordando que la función gamma completa o integral euleriana de segunda especie tiene
la forma(5):
∞

∫
Γ(n ) = x n −1 e −x dx
0
concluimos que:
∞ ∞ 1 ∞ 3
−1 3
∫ ∫ ∫
−t −t
t ⋅ e dt = t 2 ⋅ e dt = t 2 ⋅ e −t dt =Γ( )
2
0 0 0
con lo cual:
∞
3
E (X ) = 2 ⋅ σ
∫
0
t ⋅ e −t dt = 2 ⋅ Γ( ) ⋅ σ
2

Teniendo en cuenta la propiedad de la función gamma(6):

Γ(n + 1) = n ⋅ Γ(n)
(7)
y que :
1
Γ( ) = π
2
entonces:

5)
Puig Adam (1973) pp.120-121
6)
Spiegel (1988) p.342
7)
Spiegel (1988) p.342

______________________________________________________________________________________________________
___

Hoja 6 de 14 TEP 03 A3 v2
 LA DISTRIBUCIÓN DE RAYLEIGH
______________________________________________________________________________________________________
___

3 1 1 1 π
Γ( ) = Γ( +1 ) = ⋅ Γ( ) =
2 2 2 2 2
Por consiguiente:
π π
E (X ) = 2 ⋅ ⋅σ = ⋅ σ =1 ,2533 ⋅ σ
2 2
Para determinar la varianza de la distribución Rayleigh, usaremos la conocida relación:

V (X ) = E (X 2 ) − [E (X )]2
en donde:
∞

E (X ) =
∫x ⋅ f (x )dx
2 2

−∞
Como f ( x) = 0 para x < 0 :
∞ x2 ∞ x2
x −2 σ 2 x 3 −2 σ 2
E (X ) = x
∫dx =
∫
2 2
e e dx
σ2 σ2
0 0
Con el mismo cambio de variable que antes:
x2
=t
2σ 2
x = 2σ 2t
2σ 2 σ
dx = dt = dt
2 2σ 2t 2t
Aplicándolo:

(2 σ t )
∞
3 ∞ ∞
2 2 σ
∫ ∫ ∫
−t
E (X ) =
2
e dt = 2 σ 2 ⋅ t ⋅ e −t dt =2 σ 2 t ⋅ e −t dt
σ2 2t
0 0 0

También esta vez resolvemos la integral acudiendo a la función gamma completa:

∞ ∞

dt = t (2 −1 ) ⋅ e −t dt = Γ(2 )
∫t ⋅e ∫
−t

0 0

valor que puede calcularse por la propiedad reproductiva de la función gamma ya expuesta:
Γ(2 ) = Γ(1 +1 ) =1 ⋅ Γ(1 ) =1
En resumen:
∞

E (X ) = 2 σ
∫ t ⋅ e −t dt = 2 σ 2 ⋅ Γ(2 ) = 2 σ 2
2 2

0
Por consiguiente:
2
 π  4 −π 2
V (X ) = E (X ) − [E (X )] = 2 σ
2 2 2
−  ⋅ σ  = σ
 2  2

______________________________________________________________________________________________________
___
TEP 03 A3 v2 Hoja 7 de 14
LA DISTRIBUCIÓN DE RAYLEIGH
______________________________________________________________________________________________________
___

En definitiva:
4 −π 2
V (X ) = σ = 0 ,4292 ⋅ σ 2
2

4. Moda, Mediana y Cuartiles de la distribución Rayleigh

Si la variable aleatoria X sigue una distribución Rayleigh con función de densidad:

x2
x − 2
f (x ) = 2 e 2 σ para x ≥ 0
σ
entonces:
Moda = Mo = σ
Mediana = Me = Ln 4 ⋅ σ =1 1774
, ⋅σ
π
−
F [E (X )] = q E ( X ) =1 − e 4 = 0 ,544062 = 54 ,4062%
1
−
F (Mo ) = q Mo =1 − e 2 = 0 ,393469 = 39 ,3469%

16
1 er cuartil = Q1 = Ln ⋅ σ = 0 ,7585 ⋅ σ
9
3 er cuartil = Q3 = Ln16 ⋅ σ =1 ,6651 ⋅ σ

La moda es el valor para el que la función de densidad es máxima, por lo que podemos
obtenerla imponiendo la condición de máximo:
 x2 
d d  x −2 σ 2 
f (x ) = e  =0
dx dx  σ 2 
 
Derivando:
 x2   x2 
 1  − 2 σ 2   x  − 2 σ 2  2 x 
 2 e  + σ 2 e −  =0
σ      2σ 2 
   
operando :
x2 x2
1 −2 σ 2 x 2 −2 σ 2
e − 4e =0
σ2 σ
x2
1 −2 σ 2  x2 
e 1 −  =0
σ2  σ2 
 
de donde:
x2
1 − 2 =0
σ
______________________________________________________________________________________________________
___

Hoja 8 de 14 TEP 03 A3 v2
 LA DISTRIBUCIÓN DE RAYLEIGH
______________________________________________________________________________________________________
___

y, finalmente:
x =σ
En definitiva:
Moda = Mo = σ
El valor de la función de distribución para la moda se deduce de la propia función de
distribución:
x2
−
F (x ) =1 − e 2σ 2

entrando con x = Mo = σ
σ2 1
− −
q Mo = F (Mo ) = F (σ ) =1 − e 2σ 2 =1 − e 2 = 0 ,393469 = 39 ,3469 %
Luego:
1
−
q Mo = F (Mo ) =1 − e 2 = 0 ,393469 = 39 ,3469 %
De forma equivalente se calcula el valor de la función de distribución para la media, que ya
hemos visto que era:
π
E (X ) = ⋅σ
2
2
 π 
  π 2
 2 ⋅σ  σ
−  −2 2
π
π −
q E (X ) = F [E (X )] = F ( ⋅ σ ) =1 − e 2σ2 =1 −e 2σ =1 − e 4 = 0 ,544062 = 54 ,4062%
2

Resumiendo:
π
−
q E ( X ) = F [E (X )] =1 − e 4 = 0 ,544062 = 54 ,4062 %
La mediana es por definición el valor de la variable que corresponde a una probabilidad del
50%:
F (Me ) = 0 ,5
por lo que resultará de resolver la ecuación:
x2
−
0 ,5 =1 − e 2σ2

esto es:
x2
−
e 2σ2 = 0 ,5
Aplicando logaritmos:
x2 1
− Lne = Ln0 ,5 = Ln
2σ 2
2
Operando:
−1
x2 1 1 
= −Ln = Ln   = Ln 2
2σ 2
2 2 
x 2 = 2 σ 2 Ln 2 = σ 2 Ln 2 2 = σ 2 Ln 4
______________________________________________________________________________________________________
___
TEP 03 A3 v2 Hoja 9 de 14
LA DISTRIBUCIÓN DE RAYLEIGH
______________________________________________________________________________________________________
___

x = σ 2 Ln 4 = σ Ln 4
En definitiva:
Mediana = Me = Ln 4 ⋅σ =1 1774
, ⋅σ
Análogamente, se calcula el primer cuartil, que por definición es aquél valor x de la variable
aleatoria X para el que la función de distribución es del 25%:
F (Q1 ) = 0 ,25
Entonces:
x2
−
0 ,25 =1 − e 2σ 2

x2
−
e 2σ 2 = 0 ,75
x2 3
− = Ln0 ,75 = Ln
2σ 2
4
−1
x2 3  4 
= Ln   = Ln  
2σ 2 4  3 
2
4  4  16 
x 2 = 2 σ 2 Ln   = σ 2 Ln   = σ 2 Ln  
3  3  9 
16 
x = σ Ln  
9 
En definitiva:
16
Q1 = Ln ⋅ σ = 0 ,7585 ⋅ σ
9
En el caso del tercer cuartil:
F (Q 3 ) = 0 ,75
x2
−
0 ,75 =1 − e 2σ 2

x2
−
e 2σ 2 = 0 ,25
x2 1
− = Ln0 ,25 = Ln
2σ 2
4
−1
x2 1 
= Ln   = Ln 4
2σ 2 4 
x 2 = 2 σ 2 Ln 4 = σ 2 Ln 4 2 = σ 2 Ln16
x = σ Ln16
En definitiva:

______________________________________________________________________________________________________
___

Hoja 10 de 14 TEP 03 A3 v2
 LA DISTRIBUCIÓN DE RAYLEIGH
______________________________________________________________________________________________________
___

Q3 = Ln16 ⋅ σ =1 ,6651 ⋅ σ

5. Estimador máximo-verosímil del parámetro de la distribución Rayleigh

Si la variable aleatoria X sigue una distribución Rayleigh con función de densidad:

x2
x − 2
f (x ) = 2 e 2 σ para x ≥ 0
σ
y se toma una muestra aleatoria x1 , x2 ,..., xn de tamaño n, entonces

n 2
 ∑xi 
σˆ =  i =1 
2n
es el estimador máximo-verosímil del parámetro σ de la distribución(8).

Para una muestra aleatoria de tamaño n la función de verosimilitud es:

L(x1 , x 2 ,..., x n ;σ ) = f (x1 ) ⋅ f (x 2 ) ⋅ ... ⋅ f (x n ) =
n
x1 2 x2 2 xn2 n  xi 2  −
1
∑ x 2j n

∏ ∏ (x
x − x − x −  i
x −  1
= 12 e 2 σ ⋅ 22 e 2 σ ⋅ ... ⋅ n2 e 2 σ =
2 2 2
 2e
2σ 2
 = 2n e
2 σ 2 j =1
i )
σ σ σ i =1 σ  σ i =1
 
El estimador máximo-verosímil de σ será el que maximice la función de verosimilitud, o bien
su logaritmo:
 −
1 n 2 n
∑x j 
Ln [L(x1 , x 2 ,..., x n ;σ )] = Ln  2 n e ∏
1
 2 σ 2 j =1
(x i ) =
σ
 i =1 
 − 1 ∑ n
x 2j   n  n
 
 
∏ (x i ) = −2 nLnσ +  − 1 2 ∑ x j2  + ∑ Ln (x )
1 2 σ j =1
2 n
= Ln  2 n  + Ln e  + Ln  i
σ     i =1   2 σ j =1  i =1
 
Derivando respecto al parámetro desconocido σ :

d [Ln [L(x1 , x 2 ,..., x n ;σ )]] 1 n  − 4 σ 

 = − 2 n +  ∑
n  1
= −2 n −  ∑ x 2j  x 2j  3
dσ σ  j =1 (
 2 σ 2)2 


σ  j =1 σ
Imponiendo la condición de máximo:
d [Ln [L(x1 , x 2 ,..., x n ;σ )]]
=0
dσ
es decir,

8)
López (1994) problema nº 2.47 resuelto en pp.101-102

______________________________________________________________________________________________________
___
TEP 03 A3 v2 Hoja 11 de 14
LA DISTRIBUCIÓN DE RAYLEIGH
______________________________________________________________________________________________________
___

2n  n 2  1
− + ∑x j  =0
σˆ  j =1  σˆ 3
operando:
 n 2  1
 ∑ x j  2 = 2 n
 j =1  σˆ
 n 2 
 ∑ x j 
= 
j =1
σˆ 2
2n
En definitiva:
 n 2 
 ∑ x j 
σˆ =  
j =1
2n
es el estimador máximo-verosímil del parámetro de la distribución Rayleigh.

(9)
6. Relación entre la distribución Rayleigh y la distribución Weibull

Considerando la distribución Weibull de parámetros A, B y C con función de densidad:

C
C −1  x −A 
−
C x −A 
f (x ) =   e  B 
para x ≥ 0
B  B 
La distribución Rayleigh coincide con la distribución de Weibull de parámetros:
A =0
B = 2 ⋅σ
C =2

Partiendo de la función de densidad de Weibull:

C
C −1  x −A 
−
C x −A 
f (x ) =   e  B 
B B 
En el caso particular de que los parámetros fueran:
A =0
B = 2 ⋅σ
C =2
nos queda:
2
2 −1  x −0  x2
−
2  x −0   2 ⋅σ

x − 2
f (x ) =   e 
= 2 e 2σ
2 ⋅σ  2 ⋅σ  σ
que efectivamente es la función de densidad de Rayleigh.

9)
McLaughlin (1999) pp. 119-120

______________________________________________________________________________________________________
___

Hoja 12 de 14 TEP 03 A3 v2
 LA DISTRIBUCIÓN DE RAYLEIGH
______________________________________________________________________________________________________
___

(10)
7 Relación entre la distribución Rayleigh y la distribución chi (χ)

Considerando la distribución Chi (χ) de parámetros A, B y C con función de densidad:

2
C −1 1  x −A 
− 
x −A 2 B 

  e
 B 
f (x ) = C
para x ≥ 0
−1 C 
22 B ⋅ Γ 
2 
La distribución Rayleigh coincide con la distribución Chi de parámetros:
A =0
B =σ
C =2

Partiendo de la función de densidad Chi:

2
C −1 1  x −A 
− 
x −A 2 B 

  e
 B 
f (x ) = C
−1 C 
2 2 B ⋅ Γ 
2 
En el caso particular de que los parámetros fueran:
A =0
B =σ
C =2
entonces:
2
2 −1 1  x −0 
− 
 x −0  2 σ 

  e x2
f (x ) =  σ  =
x
e
−
2σ 2
2
−1
2 σ 2  σ2
2 ⋅ Γ 
2 
que es la función de densidad de Rayleigh.

10)
McLaughlin (1999) pp. 21-22

______________________________________________________________________________________________________
___
TEP 03 A3 v2 Hoja 13 de 14
LA DISTRIBUCIÓN DE RAYLEIGH
______________________________________________________________________________________________________
___

————————
Anexo 1 ————————

(11)
Funciones de variables aleatorias bidimensionales

Sea (X,Y) una variable aleatoria bidimensional continua con función de densidad conjunta
f(x,y). Definimos las variables aleatorias Z y W como una función de las variables aleatorias
X e Y:
Z = H1 (X ,Y )
W = H 2 (X ,Y )
en donde las funciones H1 y H2 satisfacen las siguientes condiciones:
• las ecuaciones:
z = H1 (x , y )
w = H 2 (x , y )
se resuelven para x y para y sólo en función de z y de w:
x = G1 (x , y )
y = G 2 (x , y )
• las derivadas parciales:
∂x ∂x ∂y ∂y
, , ,
∂z ∂w ∂z ∂w
existen y son continuas.
Designartemos como k(z,w) la función de densidad conjunta de la variable aleatoria
bidimensional (Z,W).
Se demuestra que
k (z ,w ) = f (G1 (z , x ),G 2 (z ,w ))J (z ,w )
en donde
∂x ∂x
∂(x , y ) ∂z ∂w
J (z ,w ) = =
∂(z ,w ) ∂y ∂y
∂z ∂w
es el Jacobiano de la transformación (x,y) (z,w).
k(z,w)≠0 para los valores de (z,w) que corresponden a valores de (x,y) para los cuales f(x,y)
≠0.

11)
Meyer (1973) pág.109

______________________________________________________________________________________________________
___

Hoja 14 de 14 TEP 03 A3 v2