El filtro de Kalman es un método que permite estimar variables de estado no

observables a partir de variables observables que pueden contener algún error de

medición.

Es un algoritmo que requiere dos tipos de ecuaciones: las que relacionan las
variables de estado con las variables observables (ecuaciones principales) y las que
determinan la estructura temporal de las variables de estado (ecuaciones de estado).
Las estimaciones de las variables de estado se realizan en base a la dinámica de
estas variables (dimensión temporal) así como de las mediciones de las variables
observables que se van obteniendo en cada instante del tiempo (dimensión
transversal). Es decir, la dinámica se resumen en dos pasos:

1. Estimar las variables de estado utilizando su propia dinámica (etapa de predicción) .

2. Mejorar esa primera estimación utilizando la información de las variables
observables (etapa de corrección).

Una característica muy atractiva de la metodología que nos ocupa es que

tiene carácter recursivo. Una vez que el algoritmo pronostica el nuevo estado en el
momento t , añade un término de corrección y el nuevo estado “corregido” sirve
como condición inicial en la siguiente etapa, t+1. De esta forma, la estimación de
las variables de estado utiliza toda la información disponible hasta ese momento y
no sólo la información hasta la etapa anterior al momento en el cual se realiza la
estimación (esto es lo que se conoce como “extracción de señales”).

Algoritmo

Supongamos la ecuación principal siguiente:

Zt es un vector de variables observables, xt es el vector de las variables de estado

y Ht es la matriz que relaciona las variables observables con las de estado. El
término de error ut se incluye para albergar la posibilidad de que las variables
observables puedan contener algún error de medición. Es un término
incorrelacionado con las variables observables y que tampoco presenta
autocorrelación. Además, se asume que sigue una distribución normal de media
nula.

Supongamos por otro lado que la dinámica de las variables de estado viene
determinada por la siguiente ecuación de estado:
et es un vector de errores que se incluye para modelar la incertidumbre de las
variables de estado. Es un término tal que sus componentes no están
correlacionadas entre sí, no presentan autocorrelación ni guardan correlación
tampoco con el error de la ecuación principal. Un supuesto es que sigue una
distribución gaussiana de media nula:

donde Q denota la matriz covarianzas de las componentes del término de error (ésta
puede ser constante o variable con el tiempo).

I) Ecuaciones de predicción: sea xt,opt un estimador óptimo del vector y Pt la

varianza del vector de estados, las ecuaciones de predicción son:

Estos términos no son más que las predicciones de las variables de estado
atendiendo únicamente a la dinámica que se ha supuesto que siguen.

II) Ecuaciones de corrección: mejoramos los datos predichos utilizando la

información de las variables observables para t+1, que es conocida:

donde Kt es el término que se conoce como la ganancia de Kalman:

Vemos que es un algoritmo sencillo de implementar, simplemente en cada etapa t

ha de ejecutarse la predicción seguida de la posterior corrección. Este proceso
requiere la elección de unas buenas condiciones iniciales para el vector de estados
y su varianza así como la elección de modelos que describan la dinámica de las
variables de estado y modelos para la varianza de los errores de las ecuaciones
principal y de estado.