통계학에서, 조건부 확률 테이블(conditional probability table, 줄여서 CPT)는 다른 변수의 관점에서 단일 변수의 조건부 확률(conditional probabilities) (즉, 만약 우리가 다른 변수에 의해 취해지는 값을 알고 있다면 단일 변수의 각 가능한 값의 확률)을 표시하기 위해 이산 그리고 상호 의존적인(dependent) 확률 변수(random variable)의 집합에 대해 정의됩니다. 예를 들어, 각각이 \(K\) 상태를 가지는 세 개의 확률 변수 \(x_1, x_2, x_3\) 있다고 가정합니다. 그런 다음, \(x_1\)의 조건부 확률 테이블은, 변수 \(x_1\)의 \(K\) 가능한 값 \(a_k\)에 대해 그리고 \(x_2,\, x_3\)의 값의 각 가능한 조합에 대해, 조건부 확률 값 \(P(x_1=a_k\mid x_2,x_3)\)를 제공합니다 – 여기서 수직 막대 \(|\)는 “주어진 값에 대한”을 의미합니다. 이 테이블은 \(K^3\) 셀을 가집니다. 일반적으로, 각 변수 \(x_i\)에 대해 \(K_i\) 상태를 갖는 \(M\) 변수 \(x_1,x_2,\ldots,x_M\)에 대해 이들 중 임의의 하나에 대한 CPT는 곱 \(K_1K_2\cdots K_M\)과 동일한 셀의 숫자를 가집니다.
조건부 확률 테이블은 행렬(matrix) 형식에 넣어질 수 있습니다. 오직 두 개의 변수를 갖는 예제로서, K에 걸쳐 k와 j를 갖는 \(P(x_1=a_k\mid x_2=b_j)=T_{kj}\)의 값은, K×K 행렬을 생성합니다. 이 행렬은 열 합이 1이기 때문에 확률 행렬(stochastic matrix)입니다; 즉, 모든 j에 대해 \(\displaystyle \sum_k T_{kj} = 1\)입니다. 예를 들어, 두 개의 이진 변수(binary variable) x와 y가 다음 테이블에 주어진 결합 확률 분포(joint probability distribution)를 갖는다고 가정합니다:
| x=0 | x=1 | P(y) | |
| y=0 | 4/9 | 1/9 | 5/9 |
| y=1 | 2/9 | 2/9 | 4/9 |
| P(x) | 6/9 | 3/9 | 1 |
네 개의 중심 셀 각각은 x와 y 값의 특정 조합의 확률을 보입니다. 첫 번째 열 합은 x =0이고 y는 그것이 가질 수 있는 값 중 하나와 같을 확률입니다 – 즉, 열 합계 6/9는 x=0인 주변 확률(marginal probability)입니다. 만약 주어진 x=0에 대해 y=0일 확률을 찾고 싶다면, x=0 열에서 값 y=0을 가지는 확률의 분수로 계산되며, 즉, 4/9 ÷ 6/9 = 4/6입니다. 마찬가지로, 같은 열에서, 주어진 x=0에 대한 y=1일 확률은 2/9 ÷ 6/9 = 2/6이라고 구할 수 있습니다. 같은 방식으로, 주어진 x=1에 대한 y가 0 또는 1과 같아지는 조건부 확률을 구할 수 있습니다. 정보의 이러한 부분을 결합하는 것은 y에 대한 조건부 확률의 테이블을 다음과 같이 얻을 수 있습니다:
| x=0 | x=1 | |
| P(y=0 given x) | 4/6 | 1/3 |
| P(y=1 given x) | 2/6 | 2/3 |
| Sum | 1 | 1 |
둘 이상의 조건 변수가 있으면, 테이블은 그의 조건부 확률이 주어지는 변수의 각각의 잠재적인 값에 대해 하나의 행을 여전히 가지며, 그리고 조건 변수의 값의 각각의 가능한 조합에 대해 하나의 열이 있습니다.
더구나, 테이블의 열의 숫자는 다른 변수의, 전체라기 보다는, 단지 일부의 특정 값에 대한 관심 조건부의 값의 확률을 표시하기 위해서 대체로 확장될 수 있습니다.