La consideración simultánea de un modelo numérico y de diferentes observaciones se puede lograr utilizando métodos de asimilación de datos. En esta contribución, se aplica el filtro de Kalman de conjunto (EnKF) para obtener el desarrollo del estado del sistema y también una estimación de los parámetros del modelo desconocidos. Se presenta una extensión del filtro de Kalman utilizado para el caso de parámetros de modelo inciertos, que no deberían o no pueden ser estimados debido a la falta de mediciones necesarias. Se muestra que las funciones de densidad de probabilidad incorrectamente asumidas para las incertidumbres presentes afectan negativamente al parámetro del modelo a estimar. Por lo tanto, el problema está incrustado en un espacio de incertidumbre multicapa que consiste en el espacio estocástico, el espacio de intervalo y el espacio difuso. Luego, proponemos clasificar todas las incertidumbres presentes en aleatorias y epistémicas. Los parámetros con incertidumbre aleatoria se pueden utilizar directamente dentro del EnKF sin un aumento en los costos computacionales y sin la necesidad de métodos adicionales para la evaluación de la salida. Los parámetros con incertidumbre epistémica no se pueden integrar en el procedimiento clásico de EnKF, por lo que se define un espacio de incertidumbre multicapa, lo que conlleva costos computacionales inevitablemente más altos. Se muestran diversas posibilidades de cuantificación de incertidumbres basadas en teorías de probabilidad y posibilidad, y se analiza la influencia en los resultados en un ejemplo académico. Aquí, las incertidumbres en las condiciones iniciales son menos importantes en comparación con las incertidumbres en los parámetros del sistema que influyen continuamente en el estado del sistema y en la estimación de los parámetros del modelo. Finalmente, se aplica la extensión propuesta utilizando un espacio de incertidumbre multicapa en una estructura de laboratorio de múltiples grados de libertad (MDOF): una viga de acero inoxidable con datos sintéticos o datos medidos reales de aceleraciones verticales. El módulo de Young como parámetro del modelo se puede estimar en un rango razonable, independientemente de la generación de datos de medición.