Представим, что вектор измеренных значений

является случайной величиной, подчиняющейся нормальному распределению с мат ожиданием в

. Плотность вероятности

задается:
![$\omega \left( \tilde{X_i}, X \right )=\frac{1}{\det\left ( 2\pi [C_i] \right )}\exp\left \{-\frac{1}{2} \left ( \tilde X_i}-X \right )^{T} [C_i]^{-1}\left ( \tilde{X_i}-X \right )\right \}$ $\omega \left( \tilde{X_i}, X \right )=\frac{1}{\det\left ( 2\pi [C_i] \right )}\exp\left \{-\frac{1}{2} \left ( \tilde X_i}-X \right )^{T} [C_i]^{-1}\left ( \tilde{X_i}-X \right )\right \}$](https://dxdy-04.korotkov.co.uk/f/3/a/8/3a8b3514214dd254acc870cc5a4e666082.png)
.
Запишем функцию правдоподобия для выборки из

измеренных значений

:
![$L \left(X|\tilde{X_i} \right )=\frac{1} { \prod\limits_{i=1}^{N}\left [\det \left ( 2\pi [C_i] \right )\right ] } \exp \left \{ -\frac{1}{2}\sum\limits_{i=1}^{N} \left [ \left ( \tilde{X_i}-X \right )^{T} [C_i]^{-1}\left ( \tilde{X_i}-X \right )\right ]\right \}$ $L \left(X|\tilde{X_i} \right )=\frac{1} { \prod\limits_{i=1}^{N}\left [\det \left ( 2\pi [C_i] \right )\right ] } \exp \left \{ -\frac{1}{2}\sum\limits_{i=1}^{N} \left [ \left ( \tilde{X_i}-X \right )^{T} [C_i]^{-1}\left ( \tilde{X_i}-X \right )\right ]\right \}$](https://dxdy-01.korotkov.co.uk/f/c/9/5/c9575382b6799287aac8729c5cbae06d82.png)
.
Возьмем частные производные от логарифма функции правдоподобия и приравняем их к нулю, получив уравнения правдоподобия относительно неизвестного вектора

:
![$\frac{\partial \ln \left[L\left(X|\tilde{X_i} \right )\right]}{\partial X} = \sum\limits_{i=1}^{N} \left [[C_i]^{-1}\left ( \tilde{X_i}-X \right )\right ]=0$ $\frac{\partial \ln \left[L\left(X|\tilde{X_i} \right )\right]}{\partial X} = \sum\limits_{i=1}^{N} \left [[C_i]^{-1}\left ( \tilde{X_i}-X \right )\right ]=0$](https://dxdy-01.korotkov.co.uk/f/c/e/a/cea82b2eb39ed019271879a2900955a982.png)
.
Решая уравнения правдоподобоия, получаем оценку неизвестного вектора состояния

:
![$\sum\limits_{i=1}^{N} \left [[C_i]^{-1}\tilde{X_i}-[C_i]^{-1}X \right ]=0$ $\sum\limits_{i=1}^{N} \left [[C_i]^{-1}\tilde{X_i}-[C_i]^{-1}X \right ]=0$](https://dxdy-01.korotkov.co.uk/f/0/3/a/03a84d0c8a295399826994b0e6dd318a82.png)
;
![$\widehat{X}=\left\{\sum\limits_{i=1}^{N} \left ([C_i]^{-1} \right )\right\}^{-1}\sum\limits_{i=1}^{N} \left ([C_i]^{-1}\tilde{X_i} \right )$ $\widehat{X}=\left\{\sum\limits_{i=1}^{N} \left ([C_i]^{-1} \right )\right\}^{-1}\sum\limits_{i=1}^{N} \left ([C_i]^{-1}\tilde{X_i} \right )$](https://dxdy-03.korotkov.co.uk/f/e/2/5/e254ce4f33144f178d8d3b1248ce2ce782.png)
.
Вычислив оценку

, попробуем получить ее ковариационную матрицу ошибок. Для этого выразим оценку

и измеренные значения

через точное значение

следующим образом:

;

,
где

- ошибка оценки

,

- ошибка измерений вектора

.
Подставив эти выражения в уравнения правдоподобия, получаем:
![$\sum\limits_{i=1}^{N} \left [[C_i]^{-1}\left (\delta\tilde{X_i} -\delta\widehat{X} \right )\right ]=0$ $\sum\limits_{i=1}^{N} \left [[C_i]^{-1}\left (\delta\tilde{X_i} -\delta\widehat{X} \right )\right ]=0$](https://dxdy-01.korotkov.co.uk/f/c/7/0/c701e3e03bcb58ac01ec324b1136588182.png)
;
![$\delta\widehat{X}=\left\{\sum\limits_{i=1}^{N} \left ([C_i]^{-1} \right )\right\}^{-1}\sum\limits_{i=1}^{N} \left ([C_i]^{-1}\delta\tilde{X_i} \right )$ $\delta\widehat{X}=\left\{\sum\limits_{i=1}^{N} \left ([C_i]^{-1} \right )\right\}^{-1}\sum\limits_{i=1}^{N} \left ([C_i]^{-1}\delta\tilde{X_i} \right )$](https://dxdy-02.korotkov.co.uk/f/5/b/b/5bb6ba93f6308b9223a4e03b59d33bf282.png)
.
Тогда ковариационная матрица
![$ [\widehat {C} ]$ $ [\widehat {C} ]$](https://dxdy-03.korotkov.co.uk/f/6/2/e/62e3565f2284fd904c500a3a06d2663082.png)
будет равна:
![$[\widehat {C}]=M\left ( \delta\widehat{X}\cdot {\delta\widehat{X}}^{T} \right )=M\left (\left\{\sum\limits_{i=1}^{N} \left ([C_i]^{-1} \right )\right\}^{-1}\sum\limits_{i=1}^{N} \left ([C_i]^{-1}\delta\tilde{X_i} \right ) \left\{\sum\limits_{i=1}^{N} \left ([C_i]^{-1}\delta\tilde{X_i} \right )\right\}^{T}\left\{\sum\limits_{i=1}^{N} \left ([C_i]^{-1} \right )\right\}^{-T} \right )$ $[\widehat {C}]=M\left ( \delta\widehat{X}\cdot {\delta\widehat{X}}^{T} \right )=M\left (\left\{\sum\limits_{i=1}^{N} \left ([C_i]^{-1} \right )\right\}^{-1}\sum\limits_{i=1}^{N} \left ([C_i]^{-1}\delta\tilde{X_i} \right ) \left\{\sum\limits_{i=1}^{N} \left ([C_i]^{-1}\delta\tilde{X_i} \right )\right\}^{T}\left\{\sum\limits_{i=1}^{N} \left ([C_i]^{-1} \right )\right\}^{-T} \right )$](https://dxdy-01.korotkov.co.uk/f/8/2/6/8264353193bd080a87da3878ac2cf4c982.png)
;
![$[\widehat {C}]=\left\{\sum\limits_{i=1}^{N} \left ([C_i]^{-1} \right )\right\}^{-1}\sum\limits_{i=1}^{N} \left \{[C_i]^{-1}M\left (\delta\tilde{X_i}\cdot {\delta\tilde{X_i}}^T \right )[C_i]^{-T} \right \}\left\{\sum\limits_{i=1}^{N} \left ([C_i]^{-1} \right )\right\}^{-T}$ $[\widehat {C}]=\left\{\sum\limits_{i=1}^{N} \left ([C_i]^{-1} \right )\right\}^{-1}\sum\limits_{i=1}^{N} \left \{[C_i]^{-1}M\left (\delta\tilde{X_i}\cdot {\delta\tilde{X_i}}^T \right )[C_i]^{-T} \right \}\left\{\sum\limits_{i=1}^{N} \left ([C_i]^{-1} \right )\right\}^{-T}$](https://dxdy-02.korotkov.co.uk/f/9/0/5/905adb8810d74f436d3556406dd7b3fc82.png)
.
Поскольку
![$M\left (\delta\tilde{X_i}\cdot {\delta\tilde{X_i}}^T \right )=[C_i]$ $M\left (\delta\tilde{X_i}\cdot {\delta\tilde{X_i}}^T \right )=[C_i]$](https://dxdy-04.korotkov.co.uk/f/7/3/c/73c092e6666f6ec509817ddf5fa26c0382.png)
, то
![$[\widehat {C}]=\left\{\sum\limits_{i=1}^{N} \left ([C_i]^{-1} \right )\right\}^{-1}\sum\limits_{i=1}^{N} \left \{[C_i]^{-T} \right \}\left\{\sum\limits_{i=1}^{N} \left ([C_i]^{-1} \right )\right\}^{-T}$ $[\widehat {C}]=\left\{\sum\limits_{i=1}^{N} \left ([C_i]^{-1} \right )\right\}^{-1}\sum\limits_{i=1}^{N} \left \{[C_i]^{-T} \right \}\left\{\sum\limits_{i=1}^{N} \left ([C_i]^{-1} \right )\right\}^{-T}$](https://dxdy-01.korotkov.co.uk/f/8/e/f/8ef282621d7e4191abe9665b015152a882.png)
;
![$[\widehat {C}]=\left\{\sum\limits_{i=1}^{N} \left ([C_i]^{-1} \right )\right\}^{-1}$ $[\widehat {C}]=\left\{\sum\limits_{i=1}^{N} \left ([C_i]^{-1} \right )\right\}^{-1}$](https://dxdy-02.korotkov.co.uk/f/d/c/1/dc19d055259dee50fa01b4d4904365de82.png)
.
C помощью такого подхода удалось получить ковариционную матрицу ошибок оценки вектора состояния

. Однако, как показывают расчеты, ковариационная матрица получается неверной - ее компоненты получаются слишком малыми, а ошибки

на самом деле намного больше, чем показывает
![$[\widehat {C}]$ $[\widehat {C}]$](https://dxdy-03.korotkov.co.uk/f/a/3/2/a322ef22e7c756d55fe8fb36af7f806f82.png)
.
Где ошибка в рассуждениях?