En este documento, presentamos un enfoque novedoso para la estimación de estados en sistemas dinámicos mediante la combinación de Redes Neuronales Informadas por la Física (PINNs) con un Filtro de Kalman Unscented (UKF) adaptativo. Reconociendo las limitaciones de los métodos tradicionales de estimación de estados, refinamos la arquitectura de PINN con funciones de pérdida híbridas y Dropout de Monte Carlo para una estimación de incertidumbre mejorada. El Filtro de Kalman Unscented se ve aumentado con un mecanismo de covarianza de ruido adaptativo e incorpora parámetros del modelo en el vector de estado para mejorar la adaptabilidad. Validamos aún más este marco híbrido integrando el PINN mejorado con el UKF para un flujo de trabajo de predicción de estado sin problemas, demostrando mejoras significativas en precisión y robustez. Nuestros resultados experimentales muestran una mejora notable en la fidelidad de la estimación de estados tanto para el seguimiento de posición como de velocidad, respaldado por la cuantificación de incertidumbre a través de la inferencia bayesiana y Dropout de Monte Carlo. Ampliamos aún más la simulación y presentamos evaluaciones en un sistema de péndulo doble y la estimación de estados en un dron cuadricóptero. Esta solución integral está preparada para avanzar en el estado del arte en la estimación de sistemas dinámicos, proporcionando un rendimiento sin igual en las áreas de teoría de control, aprendizaje automático y optimización numérica.