La detección de valores atípicos en series temporales funcionales es un desafío debido a la dependencia temporal y la presencia simultánea de anomalías de magnitud, forma y parciales. Los métodos existentes a menudo asumen independencia o se basan en enfoques basados ​​en modelos, como el Bootstrap suavizado estándar sobre residuos (SmBoR), que puede no funcionar bien si el modelo está mal especificado. Las alternativas sin modelo, basadas en el bootstrap de bloques móviles, mejoran la robustez, pero pueden detectar solo un número limitado de anomalías de magnitud. Este trabajo propone una canalización completamente sin modelo con dos componentes. Primero, el marco de detección de valores atípicos direccionales (DirOut) se extiende recalibrando su umbral a través de un procedimiento de detección de valores atípicos basado en el bootstrap de bloques móviles (MBBo), mejorando la detección de valores atípicos de forma y parciales al tiempo que se controlan los falsos positivos. Segundo, se utiliza un diagrama de caja funcional de ventana deslizante (SWOD) para centrarse en vecindarios temporales locales y detectar anomalías de magnitud que otros métodos pueden pasar por alto. Las simulaciones muestran que SWOD tiene altas tasas de detección de valores atípicos de magnitud, mientras que DirOut calibrado con MBBo logra una detección casi perfecta de anomalías de forma y parciales, superando a SmBoR. El método también se prueba con un conjunto de datos de temperatura real, lo que demuestra su utilidad práctica.