Uma opção possível é a distribuição beta , mas parametrizada em termos de média e precisão ϕ , ou seja, "para μ fixo , quanto maior o valor de ϕ , menor a variação de y " (ver Ferrari e Cribari- Neto, 2004). A função densidade de probabilidade é construída substituindo os parâmetros padrão da distribuição beta por α = ϕ μ e β = ϕ ( 1 - μ )μϕμϕyα=ϕμβ=ϕ(1−μ)
f(y)=1B(ϕμ,ϕ(1−μ))yϕμ−1(1−y)ϕ(1−μ)−1
onde e V a r ( Y ) = μ ( 1 - μ )E(Y)=μ .Var(Y)=μ(1−μ)1+ϕ
Como alternativa, você pode calcular parâmetros e β apropriados que levariam à distribuição beta com média e variância predefinidas. No entanto, observe que existem restrições sobre possíveis valores de variação válidos para a distribuição beta. Para mim, pessoalmente, a parametrização usando precisão é mais intuitiva (pense em xαβ proporções em X binomialmente distribuído, com tamanho de amostra ϕ e probabilidade de sucesso μ ).x/ϕ Xϕμ
A distribuição Kumaraswamy é outra distribuição contínua limitada, mas seria mais difícil parametrizar como acima.
Como outros já perceberam, isso não é normal, pois a distribuição normal tem o suporte ; portanto, na melhor das hipóteses, você pode usar o normal truncado como uma aproximação.(−∞,∞)
Ferrari, S. & Cribari-Neto, F. (2004). Regressão beta para modelagem de taxas e proporções. Jornal de Estatística Aplicada, 31 (7), 799-815.