如何求P值，P值到底是啥。。。

1. 如何求P值，P值到底是啥。。。

2. 求一下P的值

转化为x的p次方乘以x的平方等于x的5/2次方，即p+2=5/2，p=1/2

3. 求P的值。

x^2+p=(x+2)(x+q) +10=x^2+(2+q)x+10
p=(2+q)x+10

4. 求P的值谢谢

由x1和x2是方程x^2+2x+p^2=0的实数根得
x1+x2=-2   ①
x1*x2=p^2  ②
由在数轴上x2的点在x1右边，且相距p+1得
x2>x1,p+1>0→p>-1且x2-x1=p+1  ③
①③结合可得x1=-(p+3)/2,x2=(p-1)/2代入②中得
5p^2+2x-3=0
解得p=-1或3/5
p=-1时方程两根相等，x1与x2重合，不符合题意，舍弃。
所以p=3/5

5. 如何计算P值

假设第一组野生型的患病率是p1,第二组是p2
所以你的原假设就是p1=p2
枢轴变量T  = (实际比例1-实际比例2)/根号(方差1+方差2)  ~ N(0,1)  标准正态分布
实际比例1=36/185  
实际比例2=12/65
方差1=实际比例1×（1-实际比例1）/n1=36/185×149/185×1/185=0.0008471
方差2=实际比例2×（1-实际比例2）/n2=12/65×53/65×1/65=0.002316
T=0.1774  查正态分布表得到P值是：2×(1-0.5675)=0.8650  没有差异,完全没有差异
为何×2？因为你的原假设是p1=p2 是双侧检验

6. P值与α值有什么关系？

所谓显著性水平α，即当原假设为真时，拒绝原假设的概率，就是弃真错误的概率。在假设检验中，我们往往不能直接证明备择假设，即所谓的全称命题只能被否证而不能被证明。所以我们需要去否证（拒绝）原假设。原假设和备择假设的地位其实不同，原假设是我们要反对的，同时他又是受保护的，我们必须要有足够的证据才能拒绝他。首先，我们有一个原则：在控制犯第一类错误（弃真）的概率α的条件下，尽量使犯第二类错误（取伪）的概率β小。根据这一原则，在假设检验中，我们更加倾向于拒绝原假设，而不是接受原假设。实际上，原假设是要受保护的，这意味着要推翻原假设需要很充分的证据。我们必须需要找到足够多的证据去拒绝他，当拒绝他的证据不够时，我们都不能说接受原假设，只能说“没有足够的证据证明原假设可以拒绝”，或者更严格地说“在显著性水平α下没有发现足够的证据反对原假设”。我们不能轻易地放弃原假设是正确的这一判断，于是我们设置了显著性水平，即我们可以容忍的一个概率，什么概率？当原假设为真时，拒绝他的概率。原假设为真时的真实风险，按我的简单的理解，他就是实际上的我们拒绝了一个正确。就是当原假设为真时所得到的样本观察结果或更极端结果出现的概率。α值是一个临界概率值。它表示在“统计假设检验”中，用样本资料推断总体时，犯拒绝“假设”错误的可能性大小。α越小，犯拒绝“假设”的错误可能性越小。

7. 数据分析中的P值怎么计算、什么意义？

一、P值计算方法
左侧检验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值的概率，即p值。
右侧检验P值是当μ=μ0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值的概率，即p值。
双侧检验P值是当μ=μ0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值的概率，即p值。
二、P值的意义
P 值即概率，反映某一事件发生的可能性大小。统计学根据显著性检验方法所得到的P 值，一般以P < 0.05 为显著， P <0.01 为非常显著，其含义是样本间的差异由抽样误差所致的概率小于0.05 或0.01。

扩展资料：
数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。这一过程也是质量管理体系的支持过程。在实用中，数据分析可帮助人们作出判断，以便采取适当行动。
数据分析的数学基础在20世纪早期就已确立，但直到计算机的出现才使得实际操作成为可能，并使得数据分析得以推广。数据分析是数学与计算机科学相结合的产物。
在统计学领域，有些人将数据分析划分为描述性统计分析、探索性数据分析以及验证性数据分析;其中，探索性数据分析侧重于在数据之中发现新的特征，而验证性数据分析则侧重于已有假设的证实或证伪。
参考资料：假设检验中的P值_百度百科

8. 统计P值是什么，怎么算？

P值（P value）就是当原假设为真时所得到的样本观察结果或更极端结果出现的概率。如果P值很小，说明原假设情况的发生的概率很小，而如果出现了，根据小概率原理，我们就有理由拒绝原假设，P值越小，我们拒绝原假设的理由越充分。
总之，P值越小，表明结果越显著。但是检验的结果究竟是“显著的”、“中度显著的”还是“高度显著的”需要我们自己根据P值的大小和实际问题来解决。
计算：
为理解P值的计算过程，用Z表示检验的统计量，ZC表示根据样本数据计算得到的检验统计量值。 
1、左侧检验
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值的概率，即p值

2、右侧检验

P值是当μ=μ0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值的概率，即p值

3、双侧检验

P值是当μ=μ0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值的概率，即p值


扩展资料
美国统计协会公布了P值使用的几大准则：
准则1：P值可以表达的是数据与一个给定模型不匹配的程度
这条准则的意思是说，我们通常会设立一个假设的模型，称为“原假设”，然后在这个模型下观察数据在多大程度上与原假设背道而驰。P值越小，说明数据与模型之间越不匹配。
准则2：P值并不能衡量某条假设为真的概率，或是数据仅由随机因素产生的概率。
这条准则表明，尽管研究者们在很多情况下都希望计算出某假设为真的概率，但P值的作用并不是这个。P值只解释数据与假设之间的关系，它并不解释假设本身。
准则3：科学结论、商业决策或政策制定不应该仅依赖于P值是否超过一个给定的阈值。
这一条给出了对决策制定的建议：成功的决策取决于很多方面，包括实验的设计，测量的质量，外部的信息和证据，假设的合理性等等。仅仅看P值是否小于0.05是非常具有误导性的。
准则4：合理的推断过程需要完整的报告和透明度。
这条准则强调，在给出统计分析的结果时，不能有选择地给出P值和相关分析。举个例子来说，某项研究可能使用了好几种分析的方法。
而研究者只报告P值最小的那项，这就会使得P值无法进行解释。相应地，声明建议研究者应该给出研究过程中检验过的假设的数量，所有使用过的方法和相应的P值等。
准则5：P值或统计显著性并不衡量影响的大小或结果的重要性。
这句话说明，统计的显著性并不代表科学上的重要性。一个经常会看到的现象是，无论某个效应的影响有多小，当样本量足够大或测量精度足够高时，P值通常都会很小。反之，一些重大的影响如果样本量不够多或测量精度不够高，其P值也可能很大。
准则6：P值就其本身而言，并不是一个非常好的对模型或假设所含证据大小的衡量。
简而言之，数据分析不能仅仅计算P值，而应该探索其他更贴近数据的模型。
声明之后还列举出了一些其他的能对P值进行补充的分析方手段，比如置信区间，贝叶斯方法，似然比，FDR（False Discovery Rate）等等。这些方法都依赖于一些其他的假定，但在一些特定的问题中会比P值更为直接地回答诸如“哪个假定更为正确”这样的问题。
声明最后给出了对统计实践者的一些建议：好的科学实践包括方方面面，如好的设计和实施，数值上和图形上对数据进行汇总，对研究中现象的理解，对结果的解释，完整的报告等等——科学的世界里，不存在哪个单一的指标能替代科学的思维方式。
参考资料来源：百度百科-P值