Как уже было описано выше, каждая модель с фильтром Калмана может быть представлена в виде сети DBN с непрерывными переменными и линейными гауссовыми распределениями условных вероятностей (см. рис. 15.5). Согласно сведениям, приведенным в конце предыдущего раздела, должно быть очевидно, что не каждая сеть DBN может быть представлена с помощью модели с фильтром Калмана. В фильтре Калмана текущее распределение вероятностей состояния всегда представляет собой единственное многомерное гауссово распределение, т.е. распределение с единственным "максимумом", расположенным в определенном месте. Сети DBN, с другой стороны, позволяют моделировать произвольные распределения. Такая гибкость является весьма существенным подспорьем для многих реальных приложений. Рассмотрим, например, текущее местонахождение ключей от дома, принадлежащих некоторому лицу. Они могут находиться в его кармане, на ночном столике, в ящике кухни или торчать в замочной скважине входной двери. Единственный гауссов максимум, который охватывает распределения вероятностей нахождения ключей во всех этих местах, назначил бы значительную вероятность тому предположению, что ключи находятся где-то в промежуточной позиции, например висят прямо в воздухе в прихожей. Таким образом, реальный мир, характеризующийся наличием целенаправленных агентов, препятствий и тупиков, приводит к созданию "нелинейности" и поэтому требует применения сочетаний дискретных и непрерывных переменных для того, чтобы можно было создавать приемлемые модели.