(2)条件分割。设变量A的取值范围为：A。，A2，…，，则将原来的贝叶斯网络分割成n个网络，分别是A=A。，A=A2，…，A：。这种方法称作分割，如图2所示。

　　(3)贝叶斯网络举例。图3显示了一个贝叶斯网络的例子，它模型化了下述的二进制变量：变量a表示病人的年龄大于75岁，变量b表示病人需要戴眼镜，变量c表示病人眼中出现晶状体，变量v表示病人的视力由于眯眼而有所提高，变量s表示病人抱怨视力差，变量r表示病人的视网膜反射可察觉。在这个贝叶斯网络中，变量a与b之间的弧表明相对于其它变量，a与g是直接依赖的。变量a与s之间没有弧相连，它们是通过变量b与C而发生依赖关系。

　　变量间依赖的强弱由条件概率分布函数Bp量化。例如，当a为真，b为真的概率为P(b=TIa=T)=0．75。当给定了变量的父节点的值后，该变量为假的条件概率可以从此变量为真的条件概率中推导出来，在此就没有给出。