比如需要求解计算已知 X 光检查呈阳性的情况下，患脑瘤的概率。

解：

以及

也就是说，当 X 光检查呈阳性的情况下，患脑瘤的概率为 。

例如，计算已知头疼的情况下，患脑瘤的概率，即求 的概率。

根据条件概率公式

除了 概率已知外，还需先求 以及 的概率

从例 1 可知，HA 与 HO 和 BT 有关，而 HO 仅与 PT 有关。由全概率公式求得 ，，并可求得 ，，再次利用全概率公式，可得

上面的计算得到了已知患脑瘤的情况下头疼的概率是 0.913，这个条件概率是一个边缘分布。它是从联合条件概率分布 去掉一个条件 得到的。最后计算在头疼的条件下，患脑癌的概率

综上，可以归纳出 Bayes 网络诊断算法的步骤：

输入：给定 Bayes 网络 ，给定若干个结果节点发生与否的事实向量 ，给定待诊断的某个节点 .

输出：结点 发生的概率

1. 把证据向量输入到 Bayes 网络 中
2. 对 中每一个没处理过的节点 ，如果它具有发生的事实，则标记它为已经处理过；否则继续下面的步骤
3. 如果父节点中有一个没有处理过，则不处理这个节点；否则，继续下面的步骤
4. 根据节点 的所有父节点的概率以及条件概率或联合条件概率计算节点 的概率分布，并把结点 标记为已处理。
5. 重复上述步骤，共 次。此时，节点 的概率分布就是它的发生概率。算法结束。