Este documento estudia el modelo de espacio de estado de media móvil integrada autoregresiva (ARIMA) combinado con el suavizado de Kalman para imputar valores faltantes en una serie temporal univariante antes de detectar puntos de cambio. Estimamos una constante de varianza promedio temporal dependiente de la escala que depende de la longitud de la sección de datos y es robusta a cambios en la media bajo dependencia serial. La consistencia del estimador propuesto se muestra bajo la suposición que permite colas pesadas. Se discute la integración del estimador propuesto con los procedimientos de suma móvil y segmentación binaria salvaje para determinar el número y ubicaciones de puntos de cambio. Además, se evalúa el rendimiento de los métodos propuestos a través de extensos estudios de simulación y se aplican al conjunto de datos de calidad del aire de varios sitios en Beijing para imputar valores faltantes y detectar cambios en la media en los datos.