deletions | additions       diff --git a/textbf_x__k_1_z___.tex b/textbf_x__k_1_z___.tex  index 1e62803..dba849b 100644  --- a/textbf_x__k_1_z___.tex  +++ b/textbf_x__k_1_z___.tex 
...
Нам необходимо будет получить наилучшее приближение к инстиной координате $x_{k+1}$, выбрав золотую середину между показаниями $z_{k+1}$ неточного сенсора и $x^{opt}_k + u_k$ - показаниями того, что мы ожидаем увидеть. Для этого, показанию сенсора мы добавим вес $K$, а предсказанному значению вес $(1-K)$:\\  $x^{opt}_k = K\cdot z_{k+1} + (1-K)\cdot (x^{opt}_k + u_k)$   Как можно заметить, $K$ - это коэффициент Калмана, и он зависит от шага итерации $K_{k+1}$.  Теперь, задача состоит в том, чтобы подобрать такие $K$, чтобы $x^{opt}_{k+1} \approx x_{k+1}$. Для этого надо минимизировать значение ошибки \ref{e1} \ref{e2}:\\ (\ref{e1})}:\\  \begin{equation}  \label{e1}e_{k+1} = x_{k+1} - x^{opt}_{k+1}  \end{equation}  \begin{equation}  \label{e2}e_{k+1} e_{k+1}  = (1-K)\cdot (e_k + \xi_k) - K\cdot \eta_{k+1} \end{equation}