El modelado de datos que involucra proporciones, limitado a un intervalo unitario, es crucial en diversos campos de investigación. Tales datos, que expresan relaciones de parte a todo, van desde la proporción de individuos afectados por enfermedades hasta la asignación de recursos en sectores económicos y las tasas de supervivencia de especies en ecología. Sin embargo, modelar estos datos e interpretar la información obtenida de ellos presenta desafíos, especialmente cuando hay una alta inflación de ceros unos en los extremos del intervalo unitario, lo que indica la completa ausencia o la ocurrencia total de una característica o evento. Esta inflación limita los modelos estadísticos tradicionales, que a menudo no logran capturar la distribución subyacente, lo que lleva a inferencias estadísticas sesgadas o imprecisas. Para abordar estos desafíos, proponemos y derivamos los modelos skew-normal zero-one inflated (SNZOI), una nueva clase de modelos de regresión asimétricos diseñados específicamente para dar cabida a la inflación de ceros unos presentada en los datos. Al integrar una distribución de mezcla continua-discreta con covariables en partes tanto continuas como discretas, los modelos SNZOI muestran una capacidad superior en comparación con los modelos tradicionales al describir estas estructuras de datos complejas. La aplicabilidad y efectividad de los modelos propuestos se demuestran a través de estudios de casos, incluido el análisis de datos médicos. El modelado preciso de datos de proporciones infladas revela ideas que representan avances en el análisis estadístico de tales estudios. La presente investigación destaca las limitaciones de los modelos existentes y muestra el potencial de los modelos SNZOI para proporcionar inferencias más precisas y exactas en presencia de inflación de ceros unos.