P值检验法在实际生活中的应用
p值法的定义
p值法的定义p值法是一种在统计学中常用的方法，用于在样本数据和原假设之间进行比较，以便确定样本数据是否足以拒绝原假设。
在实际应用中，p值法常常被用来进行假设检验，以便确定样本数据是否支持某种假设。
p值法的概念是基于一个统计学原则：如果一个结果的发生是极不可能的，那么该结果很可能就是虚假的。
在假设检验中，研究者通常会设定一个原假设，以便比较样本数据。
如果样本数据与原假设之间存在显著差异，则可以拒绝原假设，从而得出结论。
p值法的具体过程是，先根据原假设中设定的基准值，计算出样本数据得到给定结果或更极端结果的概率。
这个概率称为p值。
例如，如果假设在某个人群中男女比例应该是1:1，而实际观测到的样本数据中男女比例是2:1，那么研究者可以使用p值法来比较这两种不同的数据。
首先，根据原假设，男女比例应该是1:1，因此“女性比例为67%”和“男性比例为33%”这两个结果分别产生的概率分别是多少。
如果根据陈述概率计算出来的概率小于显著性水平，那么就可以拒绝原假设。
在实际应用中，p值通常被设置在0.05或者0.01这样的显著性水平。
如果计算出的p值小于这个显著性水平，则可以拒绝原假设，认为样本数据支持另一种假设。
相反，如果计算出的p值大于显著性水平，则不能拒绝原假设，因为样本数据与原假设之间的差异不足以表明原假设是错误的。
需要注意的是，p值法的结果只是代表样本数据与原假设之间的显著性差异，而并不是代表样本数据跟真实情况之间的差异。
此外，p值法只适用于实验数据和随机样本数据，并不适用于抽样调查中的数据。
因此在实际应用中，需要根据具体情况恰当地应用p值法。
总之，p值法是一种常用的统计学方法，用于确定样本数据是否足以拒绝原假设。
在实际应用中，需要根据显著性水平以及样本数据的特点来合理地设置p值，以便得出准确的结论。
补充内容：P值检验
第六节 假设检验的功效函数
用概率反证法检验一个假设的推理依据是小概率原理．
在一次抽样中，若小概率事件发生了，则拒绝原假设； 若小概率事件没有发生，拒绝原假设的理由不充分， 因而只好接受原假设．
这样的检验结果可能出现以下两种类型的错误．
一、犯两类错误的概率
第Ⅰ类错误（弃真） 当原假设H0真时，抽样结果表明小概率事件发生了， 按检验法将拒绝H0，这样就犯了所谓“弃真”的错 误． 弃真概率为P(拒绝H0 | H0真)
t(22)
Sw 1 / n1 1 / n2
拒绝域的形式为 | t | c
观测值
t0
31075 28.67 2.85 1/12 1/12
2.647
由计算机软件算得
p值 P(| T || t0 |) P(| T | 2.647) 0.014725
由于
α=0.05 > 0.014725= p值
故拒绝 H0
结论
（1）若 p 值，则在显著性水平α下接受 H0 . （2）若 p 值，则在显著性水平α下拒绝 H0 .
有了这两条结论就能方便地确定 H0 的拒绝域. 这 种利用p值来检验假设的方法称为p值检验法.
p 值反映了样本信息中所包含的反对原假设 H0 的依据的强度，p 值是已经观测到的一个小概率事件 的概率， p 值越小， H0 越有可能不成立，说明样本 信息中反对 H0 的依据的强度越强、越充分.
n
u1
n [(u
u1 ) ]2
比如0 =0， =0.05， =1，希望当 1时，
这个检验二类风险不大于0.10 n ,8.57
最大功效检验
Neyman Pearson最有检验原则: 在控制第一类风险满足显著性水平下使得第二类风险尽可能小： （） ， 0 （）尽可能大， 1
p值法的定义
p值法的定义标题：解密P值法：概念、应用与意义引言：统计学是一门研究数据分析和推断的学科，它提供了许多工具和方法来帮助我们理解数据中的模式和关联。
其中，P值法作为一种重要的统计检验方法，在实证研究中扮演着重要的角色。
本文将深入探讨P值法的定义、应用以及其在科学研究中的意义。
第一部分：P值法的定义P值法是一种统计推断方法，用于衡量在原始假设成立下观察到的（或更极端的）结果的概率。
其基本思想是，通过计算得到一个P值，再与事先设定的显著性水平进行比较，从而对原始假设的拒绝与接受进行判断。
第二部分：P值法的应用P值法广泛应用于科学研究中，尤其是实证研究领域。
在假设检验中，研究者首先提出一个原始假设，然后根据样本数据运用统计方法计算得到P值。
若P值小于设定的显著性水平，我们则有充分的证据拒绝原始假设，认为观察到的结果是有统计学意义的。
第三部分：深入探讨P值法本节将从以下几个方面深入探讨P值法：1. P值与显著性水平的关系：解释P值与显著性水平之间的关系，以及如何选择适当的显著性水平。
2. P值与置信区间的关系：讨论P值和置信区间的异同，以及它们在统计推断中的作用。
3. P值的解读与错误推断：提醒读者在解读P值时需要注意的陷阱，以及常见的错误推断。
4. P值的限制与争议：探讨P值法存在的一些争议和限制，以及一些替代方法的提出。
总结与回顾：通过本文的探讨，我们深入了解了P值法的基本概念、应用以及相关的重要概念。
P值法作为一种统计推断方法，可以帮助我们进行科学研究中的假设检验和统计推断，从而对观察到的结果进行判断。
然而，在使用P值法时需要注意其限制和争议，并结合其他统计方法来得到更全面和可靠的结果。
对P值法的观点与理解：个人认为，P值法作为一种常用的统计方法，在科学研究中具有重要的地位和作用。
它可以帮助研究者进行假设检验和推断，从而对观察到的结果进行解读和判断。
然而，我们也应该意识到P值法仅仅提供了一个指标，不能完全代表是否存在真正的效应或关联。
单细胞数据p值检验方法-概述说明以及解释
单细胞数据p值检验方法-概述说明以及解释1.引言1.1 概述在单细胞数据分析中，p值检验方法是非常重要的一种统计分析方法。
在过去的几十年中，单细胞技术的发展取得了巨大的突破，可以对单个细胞的基因表达进行高通量的测量，从而揭示细胞的多样性和功能。
然而，由于单细胞数据的高维度和噪声性质，对这些数据进行处理和分析是一项具有挑战性的任务。
p值检验方法是一种常见的统计方法，用于评估两个或多个样本之间是否存在差异。
在单细胞数据分析中，研究者通常希望确定不同条件下基因表达的差异是否具有统计学意义。
通过计算p值，我们可以评估这种差异是否是由于随机变异所导致的，还是由于真实的生物学差异所引起的。
在单细胞数据分析中，p值检验方法可以应用于不同的问题。
例如，我们可以使用p值检验方法来比较两个条件下的基因表达差异，或者比较多个条件下的基因表达差异。
此外，p值检验方法还可以用于寻找具有差异表达的基因或者功能模块，从而揭示特定生物学过程的关键调控因子。
然而，需要注意的是，在进行p值检验时，我们需要考虑多重检验的问题。
由于单细胞数据的高维度性质，进行大量的假设检验可能会导致误报率的增加。
因此，在使用p值检验方法进行单细胞数据分析时，我们需要采取一些适当的校正方法，如Bonferroni校正、Benjamini-Hochberg 校正等，以控制多重检验的错误率。
总之，p值检验方法在单细胞数据分析中具有重要的地位和作用。
它可以帮助我们发现基因表达差异，揭示细胞的多样性和功能，并进一步推动我们对生物学过程的理解。
然而，我们在使用p值检验方法时需要谨慎，并结合其他的统计分析方法和生物学背景知识进行综合分析，以提高结果的可靠性和可解释性。
1.2 文章结构文章结构:本文将分为三个部分进行介绍。
第一部分是引言部分，主要概述了单细胞数据p值检验方法的背景和意义，并简要介绍了文章的结构。
第二部分是正文部分，主要涵盖了单细胞数据分析和p值检验方法的详细内容。
假设检验的P值法
谢谢
THANKS
如何平衡p值法的利弊
结合其他统计方法
在某些情况下，可以将p值与其他统计方法（如效应量、 置信区间等）结合起来，以获得更全面的统计推断。
01
审慎解读p值
对于p值，应该审慎解读，避免过度解 释或误用。
02
03
考虑其他证据
除了p值，还应该考虑其他相关证据， 如实验设计、样本质量、数据来源等。
05 实际应用案例
Hale Waihona Puke 03 如何解读p值CHAPTER
p值与假设检验的关系
p值是衡量观察结果与原假设之间差异的指标，如果p值较小 ，说明观察到的数据与原假设存在显著差异，从而拒绝原假 设。
p值的大小反映了观察到的数据与原假设之间的不一致程度， 越小的p值意味着不一致程度越高。
p值与置信水平的关系
p值与置信水平是相关的概念，通常在假设检验中，p值越小，表明观察到的数据与原假设之间的差异越显著，从而有更高的 信心拒绝原假设。
02 p值法的原理
CHAPTER
假设检验的基本概念
01
假设检验是一种统计推断方法， 通过提出假设并对其进行检验， 以判断假设是否成立。
02
假设检验的基本步骤包括提出假 设、选择合适的统计量、确定样 本量、收集样本数据、计算统计 量、做出推断结论。
p值的计算方法
p值是指观察到的数据或更极端的数 据出现的概率，即在原假设为真的情 况下，观察到的结果或更极端的结果 出现的概率。
假设检验的p值法
目录
CONTENTS
• 引言 • p值法的原理 • 如何解读p值 • p值法的优缺点 • 实际应用案例 • 结论
01 引言
CHAPTER
什么是p值法
统计学上的p值的含义-概述说明以及解释
统计学上的p值的含义-概述说明以及解释1.引言1.1 概述统计学上的p值是一种用来衡量统计显著性的指标，通常被用来评估实验结果的可靠性和重要性。
在进行假设检验时，p值是一个非常重要的参数，它可以帮助我们判断样本数据是否具有统计显著性，从而决定是否拒绝原假设。
p值的概念在统计学中扮演着至关重要的角色，因为它不仅可以帮助我们做出正确的决策，还可以帮助我们理解实验结果的可信度。
通过对p 值的合理解释和利用，我们能够更好地理解研究结果，推动科学研究的进步。
在本文中，我们将深入探讨p值的含义、作用以及解释，希望能够帮助读者更好地理解统计学上p值的重要性和意义。
1.2 文章结构文章结构部分内容应该包括对整篇文章的框架和逻辑的介绍，让读者在阅读之前能够对整篇文章有一个整体的概念。
例如：文章结构部分的内容：在本文中，将首先介绍p值的基本概念和定义，探讨p值在统计学中的作用和意义。
随后将对p值的具体解释进行详细分析，解释p值对研究结果的影响和重要性。
最后，总结p值在统计学中的重要性，同时也指出p值存在的局限性和未来发展方向。
希望通过本文的介绍，读者能够更深入地了解p值在统计学中的意义和应用，以及对研究结果的启示。
1.3 目的本文旨在深入探讨统计学中重要的概念——p值，并解释其在科学研究中的作用和含义。
通过详细解析p值的定义、作用和解释，读者将能更清晰地理解p值在假设检验和数据分析中的重要性。
此外，我们还将讨论p值的局限性和未来发展方向，帮助读者更全面地认识和理解这一统计学概念，以便更准确地应用于实际研究中。
通过本文的阐述，读者将能够更深入地了解p值的含义，并在科学研究中更加灵活地运用这一概念。
2.正文2.1 什么是p值:p值是统计学中一个重要的概念，它是用来衡量数据的变异性对总体参数估计的影响程度的一种统计量。
在实际应用中，p值通常被用来判断在某种特定的假设条件下，观察到的数据结果是否具有统计显著性。
在假设检验中，p值是我们得到的样本数据的概率分布，表示在零假设成立的情况下，观察到的样本数据或比观察到的更极端的结果出现的概率。
补充内容：P值检验
p 值反映了样本信息中所包含的反对原假设 H 0 的依据的强度， 值是已经观测到的一个小概率事件 p 的概率， p 值越小， H 0 越有可能不成立，说明样本 信息中反对 H 0 的依据的强度越强、越充分. 一般，若 p ≤ 0.01 ，称拒绝 H 0 的依据很强或称检 验是高度显著的；若 0.01 < p ≤ 0.05 ，称拒绝 H 0 的依据 是强的或称检验是显著的； 0.05 < p ≤ 0.1 ， 若 称拒绝 H 0 的依据是弱的或称检验是不显著的；若 p > 0.1 ，一般 来说，没有理由拒绝 H 0 .
一、犯两类错误的概率 第Ⅰ类错误（弃真） 类错误 当原假设H0真时，抽样结果表明小概率事件发生了， 按检验法将拒绝H0，这样就犯了所谓“弃真”的错 误． 弃真概率为P(拒绝H0 | H0真) P(拒绝H0|H0真)=P(小概率事件)≤ 所以弃真概率不超过显著水平 α
给定显著水平 α，由于
α
第Ⅱ类错误（取伪） 类错误 当H0假时，抽样结果表明小概率事件没有发生， 按检验法将接受H0，这样就犯了所谓“取伪”的 错误． 取伪概率为P(接受H0 | H1真)
∑ = 600
试取 α = 0.05 ，用 p 值检验法检验各类鱼数量的比例 较 10 年前是否有显著的改变.
2、考察生长在老鼠身上的肿块大小.以 X 表示在老 鼠身上生长了 15 天的肿块的直径（以 mm 计） ，设
X N ( µ ,σ 2 ) ， µ ,σ
2
均未知.今随机地取 9 只老鼠（在
他们身上的肿块都长了 15 天） ，测得 x = 4.3, s = 1.2, 试 取 α = 0.05, 用 p 值 检 验 法 检 验 假 设
µ0 − µ , µ 的真值µ ≠ µ0 其中 λ = σ n
0.05统计学p值
0.05统计学p值1.引言1.1 概述概述在统计学中，p值被广泛应用于假设检验和统计推断中，是一种衡量观察数据在假设条件下出现的概率的指标。
通常情况下，p值越小，表明观察到的数据在假设条件下出现的概率越低，从而提供了对原假设的拒绝程度的评估。
然而，p值的解读和应用引发了广泛的讨论和争议。
本文将详细介绍0.05统计学p值的相关概念和应用。
首先，我们将探讨p值的计算方法及其基本原理，以帮助读者更好地理解p值的意义和背后的统计学思想。
其次，我们将讨论p值在实际研究中的应用，包括假设检验、置信区间估计和科学研究的验证等方面。
最后，我们还将探讨p 值的局限性，包括多重比较问题、样本大小的影响以及p值与实际效应的关系等。
通过深入了解0.05统计学p值的概念和应用，读者将能够更好地理解和评估在科学研究中使用p值的合理性和限制性。
同时，本文还将展示p值在统计学方法中的重要性，以及如何正确地解读和使用p值进行科学研究，以推动科学领域的进步和发展。
在接下来的章节中，我们将详细介绍p值的计算方法并提供具体的实例分析，以帮助读者更好地理解和运用统计学p值。
让我们深入探索这一主题，共同进入统计学的世界。
1.2 文章结构文章结构部分的内容可以包括以下内容：文章的结构是指整篇文章的组织架构和内容安排。
一个良好的文章结构可以使读者更容易理解和掌握文章的主题和内容，并能够清晰地表达作者的观点和论证。
本文按照以下结构进行组织和撰写：1. 引言部分（Introduction）：介绍统计学p值的背景和意义。
解释为什么p值在统计学中如此重要，并提出研究的目的和意义。
2. 正文部分（Main Body）：详细阐述统计学p值的概念、计算方法和应用。
包括以下内容：2.1 什么是统计学p值：介绍p值的定义和含义。
解释p值在统计假设检验中的作用，以及如何使用p值判断某个统计假设的可接受性。
2.2 p值的计算方法：介绍p值的计算方法，包括常见的基于统计分布的计算方法，如正态分布、t分布和卡方分布等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
假设检验中的P值法在实际生活中的应用摘要假设检验是统计判断的重要内容，在很多情况下大多采用临界值法，而在现代统计软件中假设检验多是采用计算P值的方法进行推断的。
检验时需要由样本观测值计算出检验统计量的观测值和衡量观测结果极端的P值，然后通过比较P值和显著性水平α的大小作判断，当P<α时，拒绝原假设H；当P<α时，不能拒绝原假设0H。
论文列举了P值检验法0在生活中一些应用案例，并和临界值法的做了优势比较。
关键词：假设检验；临界值法；P值法；SASThe application of Hypothesis test P-value methodin real lifeAbstractHypothesis test is an important content of statistical judgment; the critical value method is used in many cases. However, in modern statistical software in hypothesis testing, the method of calculating the P value of extrapolation is used here and there. Inspection need by the value of the sample observations calculate the test statistic of the observation value and measure observations of extreme value, and then compare P values and a significant level of their size, to determine, when refuse the null hypothesis; when can not refuse the null hypothesis. The paper presents some application cases of the value of P test in life, and also to do some comparative advantage.Key Words：Hypothesis test, the critical value method, the P-value method, SAS目录引言 (2)1．P-值的定义 (2)1.1临界值法 (2)1.2 P-值法 (3)2．计算公式介绍 (3)3．双边检验P值与单边检验P值的关系 (4)3.1 检验统计量为对称连续分布时 (4)3.2 检验统计量为非对称分布时 (4)4. 应用实例 (6)5. P-值法的优势 (12)结束语 (12)参考文献 (13)引言假设检验法是统计判断中的重要内容，在平时的很多情况下多习惯采用临界值法做出判断原假设0H 是否成立的方法，但是由于计算机的普及以及现代统计软件的出现在很多问题的计算中多采用假设检验的P 值法。
用这种方法在检验时需要有相应的样本观测值，并用这个观测值计算出检验的统计量在相应的观测值和衡量观测值结果中所出现的极端P 值，之后再通过比较P 值大小和显著性水平α的大小来作出具体的判断。
当P α≤时，则拒绝原假设0H ；当P<α时，则不能拒绝原假设0H 。
本文先介绍了P 值法的定义，和一些计算方法再列举了P 值检验法在生活中一些应用案例，最后和传统的临界值法做了优势比较。
1．P-值的定义在介绍P-值法之前，我们首先要介绍一种比较传统的用来做假设检验的方法-临界值法（也可以叫做显著性水平法）。
1.1临界值法设样本总体为20XN μσ（，），并且其中20σ为一个已知常数，现在想要检验出μ是否会大于某给定常数0μ。
再设原假设为0H ，备选假设为1H ，如下所示：0010H :;H >μμμμ≤：。
从总体中抽取一些简单随机样本，并记录样本的均值为11X=ni i X n =∑。
易知 20(,)X N nσμ(1)从而有 ()0,1X U N =（2）当0H 成立时 1X-P u α-⎡⎤≥⎥⎦α≤ (3)其中1αμ-称为临界值,满足()1P U =1-u αα-≤显著性水平α为一较小的正数如0.10.05或。
式（3）说明当0H 成立时，检验统计量()(0X-μσ大于等于临界值是个小概率事件，对于某具体样本12,,n X X X ，若该小概率事件发生，则拒绝原假设0H 。
否则就没有比较充分的理由去拒绝原假设0H 。
1.2 P-值法而对于上述问题，P-值法的定义如下：对于某些具体的样本，其均值可以记为11X ni i x n ==∑，设X-P =P U ⎛⎫≥ ⎝（4）若p α≤，则拒绝原假设0H ，否则就没有充分的理由去拒绝原假设0H 。
式（4）中的P 就是在原假设0H 成立的前提下所计算出的样本值，也可以说成是更极端情况的概率大小，简称为P 值。
2．计算公式介绍若W 为检验统计量，而0W 为W 的观测值，通常P 值可以用下面公式计算得到。
I:单边检验P 值（i ）拒绝域在右边区域的检验假设0010H H θθθθ≤≥：：{}0P =P W W ≥右(ii)拒绝域在左边区域的检验假设00:H θθ≥ 10H θθ<：{}0p p W W =≤左Ⅱ:双边检验P 值假设0H ：010;:H θθθθ=≠（i ）当检验的统计量为对称分布的双边检验时由于{}{}00P =P W W +W -W ≥≤双又{}{}{}000P W W =1-P W W =P W -W ≥≥≤ 故可以得到以下结论：{}{}{}000002P ,0,P =P 2P ,0;W W W W W W W W ≥≥⎧⎪≥=⎨≤<⎪⎩双 (ii)当检验统计量为非对称分布的双边检验时，可以得到以下结论：{}{}{}00P =2min P ,P W W W W ≥≤双3．双边检验中P 值与单边检验中P 值间的关系根据上面P 值的计算公式不难推出如下性质：设W 为检验统计量，0W 为W 的观察值，W 中为W 的中位数，P 双，P 右和P 左分别为双边检验0H ：010=;H :θθθθ≠，右边检验0010H :;H :θθθθ≤>和左边检验0010:;:H H θθθθ≥<的P 值，则它们有下面关系：3.1 检验统计量为对称连续分布时001P W 02P =11-P W 0;2⎧≥⎪⎪⎨⎪<⎪⎩双右双，，， 0011P W 0,2P =1P W 0.2⎧-≥⎪⎪⎨⎪<⎪⎩双左双，，3.2 检验统计量为非对称分布时001P W W 2P =11-P W W 2⎧≥⎪⎪⎨⎪<⎪⎩双中右双中，，，； 0011-P W W 2P =1P W <W .2⎧≥⎪⎪⎨⎪⎪⎩双中左双中，，，证:1.检验统计量为对称连续分布时，由于{}{}{}000P W W =P W W +P W -W ≥≥≤且统计量为联系对称分布，故有以下结论：{}{}{}000002P W W ,W 0P P W W =,2P W W ,W <0≥≥⎧⎪=≥⎨≤⎪⎩双{}0P =P W W ≥右及{}0P =P W W ≤左,所以(i)拒绝域为右边区域的检验,若0W 0≥,则P =右{}0P W W =P /2≥双；若0W 0<，则{}{}00P =P W W =1-P W<W 1P /2≥=-双右. (ii)拒绝域为左边区域的检验，若0W 0≥,则{}{}00P P W W =1-P W>W =1-P /2=≤双左； 若0W 0<，则{}0P =P W W =P /2≤双左。
2.检验统计量为非对称分布时，由于{}{}{}00P =2min P W W P W W ≥≤双，，{}{}00P =P W W P =P W W ≥≤右左及， 所以（i ）拒绝域为右边区域的检验，若0W W ≥中，则{}0P =P W W =P /2≥双右； 若0W W <中，则P 右={}0P W W ≥=1-P /2双。
（ii ）拒绝域为左边区域的检验若0W W ≥中，则{}0P W W =1-P /2≤双左； 若0W W <中，则{}0P =P W W =P /2≤双左。
当知道了双边检验的P 值法和单边检验的P 值法的关系后，三种不同检验法就可以一次性地完成。
事实上，在实际应用中如果只作一次双边检验或者单边检验时候，得到的拒绝原假设0μμ=的结论下，有时还需要进行进一步的检验来判定是能否可以认为0μμ>或者0μμ<才可以得到更为准确的结论。
即使是在得到不可以拒绝原假设0μμ=的结论下，如果双边检验的P 值还不够大(0.050.1)p <<，也可以说是拒绝备择假设0μμ≠的证据较弱，经常也需要再进一步作单边检验，以方便得到更为合理的0μμ≥或0μμ≤的结论。
对于以上两种情形，再利用以上所述的双边检验的P 值法和单边检验的P 值法之间的关联，那么三种检验方法的同时进行就将变得会有必要了。
在我们研究双边检验的P值法和单边检验的P值法之间的关系时，有时当检验的统计量为非对称分布的时候还要用到检验统计量分布中常用的中位数，我们可以查阅有关资料中给出的分位数表，或者用一些统计软件调用相应分位数函数来进行计算。
4. 应用实例例1在某次投掷一元硬币的重复试验中，假如你投掷一元硬币1000次，并记录下相应的一元硬币出现字的次数。
如果每次出现字的次数都是500，那么你就有把握认为这枚一元硬币是均匀的；如果出现字的次数小于450或者大于550，那么你就会有一点怀疑它是不是均匀的；如果出现字的次数小于300或者大于700，那么你就比较怀疑是不是均匀的；如果出现字的次数小于100或者大于900，那么你就非常怀疑是不是均匀的。
如上所述，如果出现字的次数和出现花的次数的差异越大，你就越有把握认为这枚硬币不是均匀的，即拒绝原假设。
再重新叙述下P值的基本定义，“P值就是当原假设为真时，比得到的相应样本的观察结果出现更加极端的现象所得的概率”。
把这个基本定义再代入上面所述的投掷一元硬币的重复试验的中去，好比说目前你所观察到的情况是“一元硬币投掷出现字的次数是100或者900。
以致出现字和出现花的次数差异是800”：若原假设为真(一元硬币是均匀的)，P值就是你投掷1000次一元硬币。
所得的出现字和花的次数的差异大于800的概率。
若这个P值很大，则表明每次投掷均匀的一元硬币1000次，经常会有出现字和花的次数差异大于800的情形。