En este artículo, estudiamos el problema de extraer tendencias de datos de series temporales que involucran valores faltantes. En particular, investigamos una clase general de procedimientos que imputan los datos faltantes y luego extraen tendencias utilizando la descomposición estacional-tendencia basada en loess (STL), donde loess significa suavizado ponderado localmente, una herramienta popular para describir la relación de regresión entre dos variables mediante una curva suave. Nos referimos a ellos como los procedimientos de imputación-STL. Se obtienen dos resultados en este artículo. Primero, resolvemos un problema teórico, a saber, la conexión entre el error de imputación y el error general de estimar la tendencia. Específicamente, derivamos los límites para el error general en términos del error de imputación. Esto facilita posteriormente el análisis de errores de cualquier procedimiento de imputación-STL y justifica su uso en la práctica. En segundo lugar, investigamos loess-STL, un procedimiento de imputación-STL particular en el que la imputación también se realiza utilizando loess. A través de argumentos teóricos y resultados de simulación, mostramos que loess-STL tiene la capacidad de manejar una alta proporción de datos faltantes y proporcionar estimaciones de tendencia confiables si la tendencia subyacente es suave y los datos faltantes están dispersos a lo largo de la serie temporal. Además de las derivaciones matemáticas y el estudio de simulación, aplicamos nuestro procedimiento loess-STL a los registros de radiosondas de temperatura del aire superior en 22 estaciones de investigación en la Antártida que cubren los últimos 50 años. A modo de ilustración, presentamos en este artículo solo los resultados para la estación Novolazaravskaja, que tiene registros de temperatura con más del 8.4% de valores faltantes dispersos en 8 niveles de presión desde octubre de 1969 hasta marzo de 2011.