Em problemas de aprendizagem, existem situações onde os dados de treinamento não estão totalmente disponíveis durante o momento do aprendizado. eles são gerados de forma interativa no tempo ou online e tem entre as suas características a possibilidade de haver dados inconsistentes ou faltantes. em redes bayesianas, a aprendizagem é dividida em duas categorias: estrutural (relacionada ao grafo da rede e suas ligações) e paramétrica (relacionada a probabilidade condicional das ligações). neste trabalho é apresentado o emfuzzyonline - um método de aprendizagem de parâmetros online que se adapta rapidamente à mudanças na distribuição dos dados. essa adaptação busca não apenas de reproduzir a distribuição dos dados na rede bayesiana (aprendizagem generativa), como aumentar a acurácia da rede como um todo aprendizagem discriminativa). o método utiliza as técnicas fuzzy, estatística e inferência bayesiana. a abordagem é comparada com o método voting em adaptativo e a maximização da verossimilhança considerando duas condições de simulação: quando a distribuição dos dados é desconhecida, e quando ela é conhecida e passa por mudanças bruscas durante a aprendizagem. os experimentos foram feitos considerando três cenários distintos: testando a rede estado da arte proposta no método voting em, com bases de dados públicas do repositório uci e com uma base de dados real de perfuração de poços de petróleo. o emfuzzyonline se mostrou robusto e versátil em ambas as situações demonstrado através de experimentação e resultados estatísticos, além de oferecer uma parametrização mais simplificada do que a abordagem tradicional - reduzindo de três para um parâmetro de configuração.