Estimar con precisión una secuencia de variables latentes en modelos de observación de estado sigue siendo un problema desafiante, especialmente al mantener coherencia entre estimaciones consecutivas. Mientras que los métodos de filtrado y suavizado hacia adelante proporcionan distribuciones marginales coherentes, a menudo no logran mantener la coherencia en las estimaciones MAP marginales. Los métodos existentes manejan eficientemente modelos de estado discreto o Gaussianos. Sin embargo, los modelos generales siguen siendo desafiantes. Recientemente, se ha discutido un decodificador bayesiano recursivo, que infiere de manera efectiva estimaciones de estado coherentes en una amplia gama de modelos, incluidos los modelos Gaussianos y de mezcla Gaussiana. En este trabajo, analizamos las propiedades teóricas e implicaciones de este método, estableciendo conexiones con marcos de inferencia clásicos. La aplicabilidad versátil de los modelos de mezcla y la ventaja predominante del método de decodificación bayesiana recursiva se demuestran utilizando el experimento de la doble rendija. En lugar de inferir el estado de una partícula cuántica en sí misma, utilizamos patrones de interferencia de los experimentos de rendija para decodificar el movimiento de un detector de partículas no estacionario. Nuestros hallazgos indican que, mediante modelado e inferencia apropiados, la incertidumbre fundamental asociada con los objetos cuánticos puede ser aprovechada para disminuir la incertidumbre inducida de los estados asociados con objetos clásicos. Discutimos a fondo la interpretabilidad de los resultados de la simulación desde múltiples perspectivas.