Si \( X\sim U[0,2\pi] \) es la variable aleatoria que modela la dirección de salto y \( g_n(X) \) es la variable aleatoria que modela la distancia al origen después de \( n \) saltos (asumiendo una distancia de salto de uno) entonces se puede ver que
\( \displaystyle g_n(X)=\|g_{n-1}(X)+e^{i X}\|_2=\sqrt{g_{n-1}(X)^2+2 g_{n-1}(X)\cos(X)+1},\quad\text{ con }g_0:=0 \)
La distribución de \( g_n(X) \) se complica muy rápido conforme \( n \) se incrementa, así que con técnicas elementales de teoría de probabilidad no parece muy atacable el problema (otra cosa es ver lo que pasa usando una simulación en el ordenador). Por ejemplo si \( g_n(X)\sim F_n \) entonces vemos que \( F_0(x)=\chi_{[0,\infty)}(x) \), \( F_1(x)=\chi_{[1,\infty)}(x) \), pero
\( \displaystyle F_2(x)=(1-\pi^{-1}\arccos(x^2/2-1))\chi_{[0,2]}(x) \)
(suponiendo que los cálculos sean correctos). No me he atrevido a calcular \( F_3 \). Y en general:
\( \displaystyle F_n(x)=\frac1{2\pi}\cdot\lambda_1(\{ s\in[0,2\pi]: g_n(s)\le x\}) \)
donde \( \lambda_1 \) es la medida de Lebesgue en \( \Bbb R \).