Ecco un esempio per chiarire i concetti esposti (vedi anche [Maybeck, 1979]). Si supponga di conoscere esattamente la posizione dell'elettrone al piano k-1, e che invece la stima dell'inclinazione del suo moto ( ) sia affetta da errore. Se questo errore è descrivibile in termini di una distribuzione normale con varianza , è possibile stabilire la posizione dell'elettrone sul piano successivo in termini di probabilità di presenza. Questa sarà approssimativamente una gaussiana centrata nella posizione e con varianza .
A sua volta, una misura sul piano k può essere descritta
da una distribuzione gaussiana con picco in e varianza
.
È noto che due gaussiane (con medie in e varianze
) derivate da stime indipendenti
possono essere combinate in una distribuzione con varianza :
Il calcolo del Kalman filter sfrutta gli stessi principi estendendoli però a variabili con più dimensioni. Nel formalismo matriciale lo stato del sistema sul piano k vale:
A questa è associata una matrice di covarianza :
dove è stato inserito solo per rendere la matrice invertibile, ma può essere pensato piccolo a piacere. Partendo da queste informazioni è possibile fare una previsione sullo stato al piano k :
la matrice di covarianza proiettata sul piano k diventa :
dove, per semplicità , si è posto Q =0. In questa matrice gli
elementi
sulla diagonale esprimono (in termini di varianza) l'incertezza rispettivamente
sulla posizione e sulla direzione.
Se sul piano k viene presa una misura , si ottiene :
Il primo elemento di è uguale alla (2.16), mentre il secondo esprime l'analogo risultato per . L'incertezza legata a queste stime è contenuta in :
nella quale il primo elemento della diagonale principale è uguale a (2.15).