Una función a trozos a veces puede proporcionar el mejor ajuste a una serie temporal. Los puntos de quiebre en esta función se llaman puntos de cambio, que representan el punto en el que cambian las propiedades estadísticas del modelo. A menudo, la ubicación exacta de los puntos de cambio es desconocida, por lo que se requiere un algoritmo eficiente para combatir la explosión combinatoria en el número de posibles soluciones al problema de múltiples puntos de cambio. Las soluciones bayesianas al problema de múltiples puntos de cambio pueden proporcionar estimaciones de incertidumbre tanto sobre el número como sobre la ubicación de los puntos de cambio en un conjunto de datos, pero aún no se ha realizado un estudio sistemático para determinar cómo la elección de hiperparámetros o la presencia de autocorrelación afecta la inferencia realizada por el modelo. Aquí, proponemos el promedio de modelos bayesianos como una forma de abordar la incertidumbre en la elección de hiperparámetros y mostrar cómo este enfoque destaca la solución más probable al problema. La autocorrelación se aborda a través de una técnica de pre-blanqueo, que se muestra que elimina puntos de cambio espurios que surgen debido a un proceso de ruido rojo. Sin embargo, pre-blanquear un conjunto de datos tiende a hacer que los verdaderos puntos de cambio sean más difíciles de detectar. Después de un extenso estudio de simulación, el modelo se aplica a dos aplicaciones climáticas: la Oscilación Decadal del Pacífico y un conjunto de datos de anomalías de temperatura de la superficie global.