Las siguientes dos declaraciones son equivalentes a decir:
E(x^k|k−xk)=0
(1) Que el estimador es imparcial ; y
Pk|k=Var(x^k|k−xk)
(2) Que el estimador es consistente .
Ambas condiciones son necesarias para que el filtro sea óptimo , es decir, la mejor estimación posible de con respecto a algunos criterios.xk|k
Si (1) no es cierto, entonces el error cuadrático medio (MSE) sería el sesgo más la varianza (en el caso escalar). Claro, esto es mayor que la varianza solamente y, por lo tanto, subóptimo.
Si (2) no es verdadero (es decir, la covarianza calculada por filtro es diferente a la covarianza verdadera), entonces el filtro también será subóptimo. Dado que la ganancia de Kalman se basa en la covarianza de estado calculada, un error en la covarianza conducirá a un error en la ganancia. Error en la ganancia significa una ponderación subóptima de las mediciones.
(Como sucede, ambas condiciones son verdaderas para un filtro modelado correctamente. Los errores en el modelado, como el modelo dinámico o las covarianzas de ruido también harán que el filtro sea subóptimo).
Fuente: Bar-Shalom , especialmente la Sección 5.4 en la página 232-233.