贝叶斯网络是一种用来建模和推理不确定性的概率图模型。在贝叶斯网络中，节点表示随机变量，边表示变量之间的依赖关系。通过已知的观测值，可以利用贝叶斯推理来计算未知变量的概率分布。

下面是一个使用Python中的pgmpy库来进行贝叶斯网络的概率计算的示例代码：

from pgmpy.models import BayesianModel
from pgmpy.factors.discrete import TabularCPD

# 定义贝叶斯网络的结构
model = BayesianModel([('D', 'G'), ('I', 'G'), ('G', 'L'), ('I', 'S')])

# 定义每个节点的条件概率分布
cpd_d = TabularCPD(variable='D', variable_card=2, values=[[0.6], [0.4]])
cpd_i = TabularCPD(variable='I', variable_card=2, values=[[0.7], [0.3]])
cpd_g = TabularCPD(variable='G', variable_card=3, values=[[0.3, 0.05, 0.9, 0.5], [0.4, 0.25, 0.08, 0.3], [0.3, 0.7, 0.02, 0.2]],
                   evidence=['I', 'D'], evidence_card=[2, 2])
cpd_l = TabularCPD(variable='L', variable_card=2, values=[[0.1, 0.4, 0.99], [0.9, 0.6, 0.01]], evidence=['G'], evidence_card=[3])
cpd_s = TabularCPD(variable='S', variable_card=2, values=[[0.95, 0.2], [0.05, 0.8]], evidence=['I'], evidence_card=[2])

# 将条件概率分布添加到贝叶斯网络中
model.add_cpds(cpd_d, cpd_i, cpd_g, cpd_l, cpd_s)

# 检查贝叶斯网络的结构和条件概率分布是否定义正确
model.check_model()

# 使用贝叶斯推理进行概率计算
from pgmpy.inference import VariableElimination

infer = VariableElimination(model)

# 计算给定观测值的节点的概率
print(infer.query(['G'], evidence={'D': 1, 'I': 0})['G'])

在这个示例中，我们首先定义了贝叶斯网络的结构，然后定义了每个节点的条件概率分布。接下来，我们将条件概率分布添加到贝叶斯网络中，并使用check_model()函数来检查网络的正确性。最后，使用VariableElimination来进行概率计算，通过infer.query()函数来计算给定观测值的节点的概率。

请注意，这个示例中的贝叶斯网络仅仅是一个简单的例子，实际中的贝叶斯网络可能更加复杂，需要根据实际问题进行定义。