Las distribuciones de probabilidad continua pueden manejar y expresar diferentes datos dentro del proceso de modelado. Las distribuciones de probabilidad continua pueden ser utilizadas en la revelación y evaluación de riesgos a través de un conjunto de indicadores de riesgo básicos bien conocidos. En este trabajo, se introduce una nueva extensión de probabilidad continua compuesta de la distribución recíproca de Rayleigh para el modelado de datos y análisis de riesgos. Algunas de sus propiedades son derivadas. La estimación de los parámetros se realiza a través de diferentes técnicas. Las estimaciones bayesianas se calculan bajo priors gamma y normales. El rendimiento y la evaluación de todas las técnicas se estudian y evalúan a través de experimentos de simulaciones de Monte Carlo y dos conjuntos de datos de la vida real para aplicaciones. Se proporcionan dos aplicaciones a conjuntos de datos reales para comparar el nuevo modelo con otros modelos competitivos y para ilustrar la importancia del modelo propuesto a través de la técnica de máxima verosimilitud. Se proporciona un análisis numérico para el valor esperado, la varianza, la asimetría y la curtosis. Se definen cinco indicadores clave de riesgo y se analizan bajo estimaciones bayesianas y no bayesianas. Se realizó un extenso estudio analítico que investigó la capacidad para revelar riesgos actuariales utilizando una amplia gama de modelos bien conocidos para examinar modelos de revelación actuarial. Utilizando datos actuariales, los riesgos actuariales fueron evaluados y calificados.