由于我们正在计算联合分布，我们假设我们的初始样本是。$x = P(D=0,I=0,G=0,L=0,S=0)$

为了计算下一个样本，我们需要从条件分布中对每个变量进行抽样。

1. $P(D\mid G,I,S,L)$从贝叶斯网络中的条件独立性简化为仅对进行采样。我们采样并得到值。$P(D)$$D=1$
2. 同样对于，我们采样并获得值。$I$$I=1$
3. 由于贝叶斯网络编码的条件独立性，的采样。由于我们已经采样了，我们使用这些值并采样。在成绩的 CPD 中，我们可以从最后一行中选择一个值（其中）。我们采样得到值（值 0.3）$P(G\mid D,I,S,L)$$P(G\mid D,I)$$D=1,I=1$$P(G\mid D=1,I=1)$$D=1,I=1$$G=2$
4. $P(L\mid I, G,D,S)$简化为$P(L\mid G)$. 我们从第二行采样 Letter CPD，其中$G=2$，我们采样得到$L=1$（值 0.6）。
5. 同样，样本$P(S \mid I,L, G,D,)$通过简化为$P(S \mid I)$. 我们得到$S=1$（从 CPD 的第二行采样，其中$I=1$.

我们会有一个新的样本$x': P(D=1,I=1,G=2,L=1,S=1)$.

如果条件分布不能直接从标准随机生成器生成，您可以在 Gibbs 采样器中应用 Metroplolis-Hastings 模式。

1. 抽取一个样本，$D_t$， 从$P(D|G_{t-1},I_{t-1},S_{t-1},L_{t-1})$使用具有初始值的 Metropolis 采样器$D_{t-1}$
2. 抽取一个样本，$G_t$， 从$P(G|D_{t},I_{t-1},S_{t-1},L_{t-1})$使用具有初始值的 Metropolis 采样器$G_{t-1}$
3. 抽取一个样本，$I_t$， 从$P(I|D_{t},G_{t},S_{t-1},L_{t-1})$使用具有初始值的 Metropolis 采样器$I_{t-1}$

...

参考： R第 7 章介绍蒙特卡洛方法