卡尔曼家族从零解剖-(07) 高斯分布积分为1，高斯分布线性变换依旧为高斯分布，两高斯函数乘积仍为高斯。
讲解关于slam一系列文章汇总链接:史上最全slam从零开始，针对于本栏目讲解的 卡尔曼家族从零解剖 链接 :卡尔曼家族从零解剖-(00)目录最新无死角讲解：https://blog.csdn.net/weixin_43013761/article/details/133846882
文末正下方中心提供了本人 联系方式， 点击本人照片即可显示 W X → 官方认证 {\color{blue}{文末正下方中心}提供了本人 \color{red} 联系方式，\color{blue}点击本人照片即可显示WX→官方认证} 文末正下方中心提供了本人联系方式，点击本人照片即可显示WX→官方认证
郑重声明：该系列博客为本人 ( W e n h a i Z h u ) 独家私有 , 禁止转载与抄袭 , 举报有谢 ! \color{red}郑重声明：该系列博客为本人(WenhaiZhu)独家私有,禁止转载与抄袭,举报有谢! 郑重声明：该系列博客为本人(WenhaiZhu)独家私有,禁止转载与抄袭,举报有谢!
一、 前言
该篇博客，主要是对前面知识点进行扫盲，因为有太多的疑惑还没有得到解答，若直接略过直接展开后面的内容进行讲解，就没有办法达到个人编写该系列博客目的，本人是希望彻头彻尾弄明白卡尔曼滤波，及其分支。哪怕掘地三尺，刨根问底也再所不辞。在这之前，个人觉得需要把上篇博客拓展的内容，重述一遍。因为其对卡尔曼滤波的应用确实比较重要：
( 1 ) ： \color{red} (1)： (1)：从状态轴 x x x 来看，通常都是离散的。但是对于每个状态处理时，若有观测 y y y 参与，则通常会涉及到连续处理。 仅供参考，结论： \color{red} 仅供参考，结论： 仅供参考，结论： 卡尔曼滤波即包含了离散，也融入了连续。
( 2 ) ： \color{red} (2)： (2)： 卡尔曼滤波并不需要每次迭代都进行观测，可以以一定频率进行观测更新。其主要与观测数据精度相关，精度越高，允许间隔观测的间隔时长越大。且每次观测，可以观测多个数据。
( 3 ) ： \color{red} (3)： (3)：卡尔曼滤波递推公式虽然是线性的，但是这并不意味着其只能应用于线性变换的场景，其也适用于一些复杂的非线性变换场景，需要观测频率较高。
当然，这篇博客有这篇博客的重点，上面仅仅是记录一下重点而已，下面三个问题就是该篇博客需要解答的：
( 1 ) ： \color{blue} (1)： (1)：高斯分布分布负无穷到正无穷的积分为什么是1？
( 2 ) ： \color{blue} (2)： (2)： 高斯分布经过线性变换为什么还是高斯分布？
( 3 ) ： \color{blue} (3)： (3)： 两个高斯分布函数的乘积为什么依旧是高斯分布？