Anche la diagnosi dei guasti è uno dei casi naturali per l'applicazione del teorema di Bayes: si parte da una probabilità iniziale di cause possibili e la si aggiorna osservando sintomi, misure o allarmi.

Come semplice esempio possiamo considerare un server che non risponde considerando come possibili cause: disco, rete, alimentatore, software. Possiamo stabilire delle probabilità a priori: 30%, 40%, 10%, 20% rispettivamente.

Consideriamo ora un macchinario che può avere tre possibili guasti: G₁, G₂, G₃ con probabilità a priori rispettivamente 0.10, 0.05, 0.02 e nessun guasto con probabilità a priori 0.83.
Un sensore diagnostico produce un allarme A ma non è perfetto: ha sensibilità e specificità diverse per ciascun guasto.

Evento	G₁	G₂	G₃	Nessun guasto
p(A | evento)	0.90	0.70	0.40	0.05

Di seguito vengono simulati molti cicli del sistema generando guasti secondo le probabilità a priori e l’allarme secondo le probabilità condizionate. Viene aggiornata la stima bayesiana empirica, visualizzata in un grafico a barre su Canvas.