概率模型有时含有观测变量，又含有隐变量或潜在变量。如果概率模型的变量都是观测变量，那么给定数据，可以直接用极大似然估计法，或贝叶斯估计法估计模型参数。但是，当模型含有隐变量时，就不能简单地使用这些简单方法，EM算法就是含有隐变量的概率模型参数的极大似然估计法，极大后验概率估计法。
EM算法首先选取参数的初值，记作 ( heta^(0) = (pi^{(0)}, p^{(0)}, q^{(0)})), 然后通过下面的步骤迭代计算参数的估计值， 直至收敛为止。第(i)次迭代参数的估计值为( heta^(i) = (pi^{(0)}, p^{(0)}, q^{(0)}))
E步： 计算在模型参数(pi^{(i)}, p^{(i)}, q^{(i)})下观测数据(y_j)来自掷硬币B的概率
M步： 计算模型参数的新估计值
关于步骤（1）参数的初值可以任意选择，但需注意EM算法对初值是敏感的
关于步骤（2）E步求Q，Q函数中的Z是为未观测数据，Y是观测数据。注意(Q( heta, heta^{(i)}))中的第一个变量时要极大化的参数，第二个变量表示参数的当前估计值，每次迭代实际在求Q函数及其极大。
步骤（4）给出停止迭代的条件，一般是对较小的正数(varepsilon_1, varepsilon_2), 若满足
则停止迭代。