在假设检验的过程中，拒绝或接受原假设的决策是在给定的显著性水平下做出的，同一个检验问题选取不同的显著性水平，有可能出现完全相反的结论。例如，在α=0.1 时拒绝原假设的问题，在α=0.05 时就有可能变为接受原假设。而当给定显著性水平α 时，由不同的样本计算出不同的检验统计量，即使它们都落在相同的区域内，最后结论也相同，但检验的把握程度或概率实际上是不同的。

如果原假设H0为真，所得到的样本结果会像实际观测结果那么极端或更极端的概率，称为P 值，也称为观察到的显著性水平。要测量出样本观测数据与原假设中假设的值的偏离程度μ0，就需要计算P 值。

P 值与原假设的对或错的概率无关，它是关于数据的概率。P 值表示在某个总体的许多样本中，某一类数据经常出现的程度。也就是说，P 值是当原假设正确时，得到的所观察的数据的概率。如果原假设是正确的，P 值告诉我们得到这样的观测数据是多么不可能。相当不可能得到的数据，就是原假设不合理的证据。我们永远也不知道，对于总体来说，原假设是否正确。如果取显著性水平为5%，我们只能说，如果原假设为真，这样的数据只有5%的可能会发生。P 值是反映实际观测到的数据与原假设H0之间不一致的程度的概率值。P值越小，说明实际观测到的数据与H0之间不一致的程度就越大，检验结果也就越显著。以单一总体均值的假设检验为例，设表示根据样本数据计算得到的检验统计量，对于假设检验的三种基本形式，从抽样分布来看，计算P 值的一般表达式如下：

双侧检验，H0：μ=μ0；H1：μ≠μ0。

P 值是当时检验统计量大于或等于根据实际观测样本数据计算得到的检验统计量绝对值概率的两倍，即。

左侧检验，H0：μ≥μ0；H1：μ＜μ0。(www.daowen.com)

P 值是当时检验统计量小于或等于根据实际观测样本数据计算得到的检验统计量的概率，即。

右侧检验，H0：μ≤μ0；H1：μ＞μ0。

P 值是当时检验统计量大于或等于根据实际观测样本数据计算得到的检验统计量的概率，即。

在实际应用中，我们常常将P 值与显著性水平相比来做出接受还是拒绝原假设的判断。当P＜α 时，拒绝原假设；当P＞α 时，不能拒绝原假设。

P 值的计算可以通过查表来求得，但是计算机的使用使P 值的计算变得十分容易，多数统计软件都能够输出有关假设检验的主要计算结果，其中就包括P 值。