Este estudio propone una extensión de los modelos estacionales autorregresivos de media móvil integrada con regresores exógenos (SARIMAX) al incorporar estructuras de error sesgadas normales y sesgadas normales con inflación de ceros para adaptarse mejor a la asimetría y al exceso de ceros en los datos de series temporales. El marco propuesto demuestra una mayor flexibilidad y robustez en comparación con los modelos tradicionales basados en Gaussianas. Los experimentos de simulación revelan que el parámetro de sesgo afecta significativamente la precisión de pronóstico, con reducciones en el error absoluto medio (MAE) y en la raíz del error cuadrático medio (RMSE) observadas en escenarios tanto positivamente sesgados como negativamente sesgados. Notablemente, en contextos de sesgo negativo, el modelo logró un MAE de 0.40 y un RMSE de 0.49, superando a sus contrapartes simétricas de error. La inclusión de probabilidades de inflación de ceros mejora aún más el rendimiento del modelo en conjuntos de datos dispersos, obteniendo valores superiores en criterios de bondad de ajuste como el Criterio de Información de Akaike (AIC) y el Criterio de Información Bayesiano (BIC). Para ilustrar el valor práctico de la metodología, se presenta un estudio de caso del mundo real que implica el modelado de datos de densidad óptica (OD) durante el crecimiento en fase estacionaria. Se ajustó un modelo SARIMAX(1,1,1) con errores sesgados normales a 200 mediciones de absorbancia con marca de tiempo, revelando un sesgo positivo significativo en los residuos. Los intervalos de confianza derivados de bootstrap confirmaron la significancia del parámetro de sesgo estimado (con IC del 95% [12.07, 15.99]). El modelo superó al punto de referencia clásico ARIMA en la captura de la asimetría de la estructura estocástica, subrayando su relevancia para aplicaciones biológicas, ambientales e industriales en las que las características no gaussianas son prevalentes.