Une interprétation stochastique (ou séquentielle) du nudging est également possible, en le rapprochant du filtre de Kalman. En effet, dans les périodes de temps où les observations ne sont pas disponibles, le nudging se résume, comme le filtre de Kalman, à intégrer les équations du modèle pour propager la solution dans le temps [17].
Lorsque des observations sont disponibles, la solution du modèle est corrigée en utilisant l'écart entre les observations et la trajectoire modèle, comme dans le filtre de Kalman. Toutefois, nous ne considérons pas dans le BFN de matrices de gain optimales dans le but d'alléger la mise en 
uvre pratique de l'algorithme, ainsi que son temps de calcul. Le nudging peut ainsi être vu comme un filtre de Kalman sous-optimal. Toutefois, le fait de résoudre alternativement des équations directes et rétrogrades en temps permet d'améliorer très sensiblement les résultats par rapport à la méthode du nudging standard.