Statistics 旧态的高斯近似

我遇到了下面这句话，它指的是通常的扩展卡尔曼滤波器，我试图理解它：

当前状态之前的状态近似为正态分布

---

这是什么意思？

建模数量具有不确定性，因为它来自测量。你不能确定它的确切值是X。这就是为什么这个量用概率密度函数（或者是一个累积分布函数，是它的积分）来表示的原因

概率分布可能看起来非常任意，但有许多“简单”分布近似于真实世界。你听说过正态分布（高斯分布），均匀分布（矩形分布）

正态分布（参数mu和sigma）在自然界中无处不在，因此很可能您的测量值已经非常符合正态分布

---

“高斯分布”意味着您的分布不是高斯分布的混合（和），而是单一高斯分布。

谢谢。我仍然不明白EKF是怎么做到的：我们什么时候假设旧态是高斯态？在我看来，每一步t，我们都将状态X_t建模为前一个状态X_t-1+高斯误差的非线性函数。所以，我们可以说，以X_t-1为条件的X_t是高斯分布的。但我不认为这是正确的观察方式，这就是我对卡尔曼滤波器的理解程度。我希望你能得到其他人的回应。谷歌对你引用的那句话一无所知，所以它一定不是出自任何可访问的出版物。你能提供这句话的来源吗？我想看看上下文来理解这句话