在统计学中，p值是一个用于衡量观察到的数据与零假设之间的关系的数值，通常情况下，我们期望在相同条件下重复观察到的数据分布与原样本数据分布相同，但实际上这种现象并不总是发生，p值就是用来量化这种差异的程度。
要计算p值，首先需要确定一个假设检验，即我们想要测试的零假设，零假设通常是一个关于参数(如均值、比例等)的原假设，我们可能想要测试一个样本均值是否显著不同于总体均值，在这个例子中，零假设是“样本均值等于总体均值”。
我们需要收集一组独立重复观测的数据，以计算每个数据点的概率，这个过程被称为拟合分布，对于正态分布而言，我们可以使用标准正态分布函数(也称为Z分布)来拟合观测数据，Z分布的累积分布函数(CDF)可以通过以下公式计算：
Z = (X - μ) / σ
X是我们要拟合的观测数据点，μ是总体均值，σ是总体标准差，将X代入上述公式，我们可以得到一个Z分数，我们查找Z分数对应的累积概率，这就是p值。
值得注意的是，只有当Z分数大于某个阈值时，我们才会拒绝零假设，这个阈值通常取决于样本大小和总体标准差，如果样本大小较小或总体标准差较大，我们可能会选择较高的阈值，从而更保守地拒绝零假设，反之，如果样本大小较大或总体标准差较小，我们可能会选择较低的阈值，从而更乐观地保留零假设。
计算p值的过程包括确定零假设、拟合分布、计算Z分数和查找对应的累积概率，通过比较p值与预先设定的阈值，我们可以决定是否拒绝零假设。
