En los últimos años, el filtro de Kalman en estado de error (ErKF) se ha utilizado ampliamente en diversas aplicaciones, incluyendo robótica, aeroespacial y localización. Sin embargo, la incorporación de restricciones de estado en el marco del ErKF utilizando el método de proyección de estimaciones sigue siendo ambigua. Este artículo examina este problema en profundidad, explorando específicamente si las restricciones deben aplicarse antes o después del paso de corrección del ErKF. Adoptamos un enfoque matemático, derivando soluciones analíticas y analizando sus propiedades estadísticas. Nuestros hallazgos demuestran que, para un sistema lineal con restricciones lineales, ambos métodos producen resultados estadísticamente equivalentes. Sin embargo, el comportamiento del filtro se vuelve incierto al tratar con restricciones linealizadas. Además, identificamos un caso especial de una restricción no lineal donde los resultados del caso lineal siguen siendo válidos. Para respaldar nuestro análisis teórico y evaluar el rendimiento del filtro en condiciones no ideales, realizamos dos simulaciones de Monte Carlo considerando errores de inicialización crecientes e incompletitud de las restricciones. Los resultados de la simulación validan nuestras ideas teóricas y sugieren que aplicar restricciones al estado de error después del paso de corrección puede llevar a un rendimiento superior en comparación con el enfoque alternativo.