Se requieren datos de precipitación diaria altamente resueltos y precisos para que los modelos de impacto funcionen adecuadamente y midan correctamente los impactos de eventos de alto riesgo. Para producir tales datos, a menudo se necesita corrección de sesgo. La mayoría de esos métodos estadísticos corrigen las distribuciones de probabilidad de la precipitación diaria modelándolas con distribuciones empíricas o paramétricas. Se ha desarrollado un modelo semi-paramétrico reciente basado en una prueba estadística de Berk-Jones (BJ) penalizada, que permite la unión automática y personalizada de distribuciones paramétricas y no paramétricas. Este método, llamado modelo Stitch-BJ, se encontró capaz de modelar correctamente la precipitación diaria y mostró un potencial interesante en un contexto de corrección de sesgo. En el presente estudio, consolidaremos estos resultados teniendo en cuenta las propiedades estacionales de la precipitación diaria en un contexto fuera de muestra y considerando las probabilidades de días secos en nuestra metodología. Evaluamos el rendimiento del método Stitch-BJ en este contexto de corrección de sesgo estacional en comparación con modelos más clásicos como el Gamma, Weibull Exponencial (ExpW), Pareto Generalizado Ampliado (EGP) o distribuciones empíricas. Los resultados muestran que una separación estacional de los datos es necesaria para tener en cuenta la no estacionariedad intra-anual. Además, la distribución Stitch-BJ fue capaz de desempeñarse de manera consistente tan bien como o mejor que todos los otros modelos considerados en el conjunto de validación, incluida la distribución empírica, que a menudo se utiliza debido a su robustez. Finalmente, aunque los métodos para corregir las probabilidades de días secos se pueden aplicar fácilmente, su relevancia puede discutirse ya que a menudo se ignoran las correlaciones temporales y espaciales.