平滑跟踪数值时，新观测未必总是同样可靠。可以显式记录当前估计的不确定程度，并让新观测的误差参数决定这一次更新应更相信旧估计还是测量。
本例是一个自定义的一维随机游走估计模型。每步先把旧方差P加过程量Q，得到预测方差；增益K为预测方差除以预测方差加观测方差R。新估计为旧估计加K乘观测与旧估计之差，新方差为（一减K）乘预测方差。
初估计11，初方差3，每步过程量2。观测记录由数值和方差R组成。
观测、R | 旧估计 | 预测方差 | 增益 | 创新 | 新估计 | 新方差 [1, 2] | 11.000000 | 5.000000 | 0.714286 | -10.000000 | 3.857143 | 1.428571 [1, 7] | 3.857143 | 3.428571 | 0.328767 | -2.857143 | 2.917808 | 2.301370 [2, 1] | 2.917808 | 4.301370 | 0.811370 | -0.917808 | 2.173127 | 0.811370 [9, 25] | 2.173127 | 2.811370 | 0.101087 | 6.826873 | 2.863235 | 2.527176 [1, 2] | 2.863235 | 4.527176 | 0.693589 | -1.863235 | 1.570916 | 1.387178 [3, 3] | 1.570916 | 3.387178 | 0.530309 | 1.429084 | 2.328772 | 1.590927
记录中的编号只用来区分本例对象，不应与大小排名或另一组记录的身份混淆。先核对单位和边界，再跟随中间值检查结果。空结果、零值与尚未确定是不同状态；分数保留精确含义，显示小数只为方便阅读。
P、Q、R在例中为正，增益应严格位于零与一之间，新估计位于旧估计和观测之间。R变大时其他条件不变，观测权重会减小；预测不确定性增大则会提高观测权重。
逐步记录创新量、增益和新方差，再与固定权重平均区分。虽然输出看起来都平滑，权重来源并不相同。示例显示小数用于阅读，保存的分数可以精确复核，避免把显示舍入当成内部计算规则。
这是在明确模型与误差参数下的数值练习，没有保证真实游戏测量满足相应假设。R不是用来随意掩盖异常的开关；若运动模型与实际变化差很多，滤波可能延迟或偏离，需要检查输入和模型而不是只调一个参数。
练习时可以一次只改变一个条件，比较差异从哪个步骤开始。若自己的结果不同，先核对是否采用同样的规则，再定位第一个不一致的中间状态，不要只修改最终答案。输入与运算过程需要一起保存，才能判断结论究竟适用于哪一个具体场景。
