我有一组观察[x（t），y（t）]，我试图适应某个假设：x = Fx（ax，bx，t），y = Fy（ay，by，t）。 Fx和Fy是线性的，但观察的噪声显然不是高斯的。
为此，我执行自定义编写函数F（ax，bx，ay，by，[observation]）的最小化。我使用scipy.optimize.minimize，并获得参数ax，bx，ay的值，通过最小化F给定的一组观察值。
问题1：我如何估算这些结果的95％置信区域，以便我可以看出答案是多么模糊或可靠？
我相信参数的值不是独立的，因此置信区域可能不是4矩形，而是在最小点周围的解空间中的一些blob。
问题2：如果我将我的假设简化为线性形式：x = axt + bx，y = ayt + by，观察噪声为2d高斯，在python中有任何现成的例程来拟合计算的置信区间结果？
Lampton，Margon和Bowyer，1976，Astrophysical Journal，208,177
一般情况下，当测量误差的分布未知时，您可以使用重采样方法。例如，随机抽取90％的测量值并找到估计值，使用原始测量值的不同随机子样本重复以下过程100次（或更多次）。将所有获得的估计存储在数组中现在，您可以为每个估算找到95百分位（或任何您想要的）。这将是估计的95％置信区间。
在线性模型和高斯噪声的情况下，我建议寻找实现卡尔曼滤波器的包。它们肯定存在，例如pykalman。