Recientes avances en la tecnología de reconocimiento facial han logrado un rendimiento excepcional, pero el reconocimiento facial no restringido sigue siendo un problema en curso. Los algoritmos de evaluación de calidad de imagen facial evalúan la calidad de las muestras de entrada, proporcionando información crucial sobre la precisión de las decisiones de reconocimiento. Al hacerlo, esto puede llevar a resultados mejorados en escenarios desafiantes. En los últimos años, se ha logrado un progreso significativo en la evaluación de la calidad de las imágenes faciales. El cálculo de las puntuaciones de calidad se ha vuelto altamente preciso y está estrechamente correlacionado con los resultados del modelo. En este documento, revisamos y analizamos los sesgos existentes de las técnicas de estimación de calidad de vanguardia para el reconocimiento facial. Nuestra experimentación se centró en los estimadores de calidad desarrollados por MagFace, FaceQNet y SER-FIQ y fueron evaluados en el conjunto de datos de referencia CelebA. Se realizó un estudio de sesgos en el modelo de reconocimiento facial analizando las puntuaciones de calidad presentadas en cada artículo. Esto permitió un examen de los sesgos existentes tanto en los estimadores de calidad como en los modelos de reconocimiento facial.