Las pruebas de detección de tendencias no paramétricas, como la prueba de Mann-Kendall (MK), requieren observaciones independientes, pero la autocorrelación serial en los conjuntos de datos infla/deforma la varianza y altera los errores de Tipo I y Tipo II. Las técnicas de preblanqueo (PW) ayudan a abordar este problema al eliminar la autocorrelación antes de aplicar MK. Evaluamos varios esquemas de PW: von Storch (PW-S), PW corregido por pendiente (PW-Cor), preblanqueo libre de tendencia (TFPW) propuesto por Yue (TFPW-Y), TFPW iterativo (TFPW-WS), TFPW corregido por varianza (VCTFPW) y el recientemente propuesto preblanqueo detrendido con tendencia modificada añadida (DPWMT). A través de simulaciones de Monte Carlo, construimos una serie temporal autorregresiva de rezago 1 (AR(1)) y evaluamos sistemáticamente el rendimiento de diferentes métodos de PW en relación con el tamaño de la muestra, la autocorrelación y la pendiente de la tendencia. Los resultados indican que todos los métodos tienden a sobreestimar tendencias débiles en muestras pequeñas (n < 40). Para tendencias moderadas/altas, las pendientes estimadas de las series VCTFPW y DPWMT se acercan (dentro de un rango de +/- 20%) a la tendencia real. VCTFPW muestra un RMSE ligeramente inferior al de DPWMT en autocorrelación de rezago 1 de rango medio (1 = 0.3 a 0.6) pero fluctúa para 1 >= 0.7. Las series originales y TFPW-Y no logran controlar el error de Tipo I con el aumento de , mientras que VCTFPW y DPWMT mantuvieron los errores de Tipo I por debajo del nivel de significancia (alfa = 0.05) para muestras grandes. Aparte de TFPW-Y, todos los métodos de PW resultaron en un poder débil de la prueba para tendencias débiles y muestras pequeñas. TFPW-WS mostró un alto poder de la prueba, pero solo para datos fuertemente autocorrelacionados combinados con tendencias fuertes. En contraste, VCTFPW no logró preservar el poder de la prueba en alta autocorrelación (>=0.7) debido a la subestimación de la pendiente. DPWMT restaura el poder de la prueba para 0.1.