La generación de contenido procedural para videojuegos (PCG) es ampliamente utilizada por la industria de los videojuegos de hoy en día para crear mundos abiertos enormes o mejorar la jugabilidad. Sin embargo, hay poca evidencia científica de que estos sistemas produzcan contenido de alta calidad. En este documento, evaluamos tres generadores de niveles automatizados de código abierto para Super Mario Bros además de los niveles originales utilizados para el entrenamiento. Estos se basan en Algoritmos Genéticos, Redes Generativas Antagónicas y Cadenas de Markov. La evaluación se realizó a través de un Análisis de Rango Expresivo (ERA) en 200 niveles con nueve métricas. Los resultados muestran cómo analizar el rango expresivo de los algoritmos puede ayudarnos a evaluar los generadores como medida preliminar para estudiar si responden a las necesidades de los usuarios. Este método nos permite reconocer posibles problemas temprano en el proceso de generación de contenido, además de tomar medidas para garantizar contenido de calidad cuando se utiliza un generador.