통계 테스트의 예로, 동전 뒤집기(착륙 헤드 또는 꼬리의 동등한 확률) 또는 부당하게 편향된(한 결과가 다른 결과보다 더 높음)인지 를 결정하기 위한 실험이 수행됩니다. p-값은 칼 피어슨에 의해 처음 공식적으로 도입되었다, 그의 피어슨의 chi-squared 테스트에서[34] 카이제곱 분포를 사용하여 자본 P.[34] 카이제곱 분포에 대한 p 값 (θ2의 다양한 값과 자유도의 다양한 값에 대한), 지금 P로서 표기된, (엘더턴 1902)에서 계산되었고,(Pearson 1914, pp. xxxi-xxxiii, 26-28, 표 XII)에서 수집하였다. 지금까지 우리가 고려한 모든 예는 대체 가설이 () 기호보다 큰 것과 관련된 일꼬리 가설 테스트와 관련이 있습니다. 비율이 가설된 null 값에서 벗어날 수 있는 방향을 잘 모르는 경우 어떻게 됩니까? 즉, 대체 가설에 동등하지 않은 기호(∞)가 포함되면 어떻게 해야 합니까? 예를 들어 보겠습니다. p-값은 통계 적 가설 테스트, 특히 null 가설 유의성 테스트에서 널리 사용됩니다. 이 방법에서는 실험 설계의 일부로 실험을 수행하기 전에 먼저 모델(null 가설)과 p에 대한 임계값을 선택하며, 테스트의 유의 수준이라고 하며, 전통적으로 5% 또는 1%[21]로 표시하고 α로 표시합니다. p-값이 선택한 유의 수준(α)보다 낮으면 관찰된 데이터가 null 가설과 충분히 일치하지 않으며 null 가설이 거부될 수 있음을 시사합니다. 그러나, 그 테스트 가설은 사실 증명 하지 않습니다. p-값이 올바르게 계산되면 이 테스트는 I 유형 오류율이 대부분의 α[추가 설명 필요][인용 필요]임을 보장합니다.

일반적인 분석의 경우 표준 α = 0.05 컷오프를 사용하여 p .05시에 거부되지 않습니다. p-값은 그 자체로 가설의 확률에 대한 추론을 지원하지 않지만 null 가설을 거부할지 여부를 결정하는 도구일 뿐입니다. 1770 년대에 Laplace는 거의 절반 만 출생의 통계를 고려했다. 통계는 여자에 비해 소년의 과잉을 보였다. 그는 p-값의 계산으로 초과가 실제, 그러나 설명할 수없는 효과라고 결론을 내렸다. 솔루션. 먼저 중요한 가치 접근 방식을 살펴보겠습니다. 샘플 비율이 너무 크거나 너무 작을 수 있는 가능성을 허용하는 경우 분포의 각 꼬리에 임계값, 즉 임계 값을 지정해야 합니다. 이 경우 α/2를 얻기 위해 “유의 수준” α를 2로 나눕니다: 밀접하게 관련된 개념은 E-값입니다.[43] 이는 여러 테스트에서 예상되는 횟수이며, 실제로 관찰된 것과 같이 적어도 극단적인 테스트 통계를 얻을 것으로 예상되는 횟수입니다. f 하나는 null 가설이 사실이라고 가정합니다.