Filtro de Kalman con error de medición
El filtro de Kalman con error de medición es un algoritmo bayesiano recursivo de espacio de estados que estima el verdadero estado oculto de un sistema dinámico a partir de observaciones ruidosas. Separa explícitamente el ruido de proceso (incertidumbre de la dinámica del sistema) del ruido de medición (incertidumbre de la observación), propagando ambas fuentes de error a través de un ciclo de predicción-actualización de dos pasos para producir estimaciones óptimas del estado filtrado y su incertidumbre asociada.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Mapa de métodos
El vecindario de métodos relacionados: selecciona un nodo para explorarlo.
Fuentes
- Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35–45. DOI: 10.1115/1.3662552 ↗
- Durbin, J. & Koopman, S. J. (2012). Time Series Analysis by State Space Methods (2nd ed.). Oxford University Press. ISBN: 978-0199641178
Cómo citar esta página
ScholarGate. (2026, June 3). Kalman Filter with Explicit Measurement Error Modeling. ScholarGate. https://scholargate.app/es/bayesian/kalman-filter-with-measurement-error
¿Qué método?
Coloca este método junto a sus parientes más cercanos y léelos lado a lado: la biblioteca pone los libros sobre la mesa; la elección es tuya.
- Inferencia Bayesiana DinámicaBayesiano↔ comparar
- Filtro de KalmanBayesiano↔ comparar
- Filtro de Kalman con datos faltantesBayesiano↔ comparar
- Filtro de Partículas (Monte Carlo Secuencial)Bayesiano↔ comparar
- Monte Carlo SecuencialBayesiano↔ comparar
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →