El problema de la estimación de estado de un sistema lineal y dinámico en espacio de estados donde la salida está sujeta a cuantización es desafiante e importante en diferentes áreas de investigación, como sistemas de control, comunicaciones y sistemas de energía. Hay una serie de métodos y algoritmos para abordar este problema de estimación de estado. Sin embargo, no hay consenso en la comunidad de control y estimación sobre (1) qué métodos son más adecuados para una aplicación particular y por qué, y (2) cómo se comparan estos métodos en términos de precisión, costo computacional y facilidad de uso. En este documento, proporcionamos una visión general exhaustiva de los algoritmos de vanguardia para tratar la estimación de estado sujeta a mediciones cuantizadas, y una comparación exhaustiva entre ellos. El análisis de comparación se realiza en términos de la precisión de la estimación de estado, problemas de dimensionalidad, selección de hiperparámetros, facilidad de uso y costo computacional. Consideramos enfoques clásicos y un nuevo desarrollo en la literatura para obtener las distribuciones de filtrado y suavizado del estado condicionado a datos cuantizados. Los enfoques clásicos incluyen el filtro/suavizador de Kalman extendido, el filtro/suavizador cuantizado de Kalman, el filtro/suavizador de Kalman sin rastro, y el método de muestreo secuencial de Monte Carlo, también llamado filtro/suavizador de partículas, con sus variantes más relevantes. También consideramos un nuevo enfoque basado en el filtro/suavizador de suma gaussiana. Se presentan extensas simulaciones numéricas, incluida una aplicación práctica, para analizar la precisión de la estimación de estado y el costo computacional.