假设观察是从原始分布中得出的，p 值是由于偶然性而进行某个观察（或更极端）的概率。

通常（哈哈）你会期望观察结果非常接近分布的算术平均值。如果观察结果与平均值相差甚远，可能是因为两件事： a) 观察结果是偶然发生的——这必须是可能的；否则分布的概率密度函数将远离均值 0。或者 b) 观察结果不同，因为它是由不同的分布产生的，其均值与原始分布不同。所以一个小的 p 值意味着远离原始分布的平均值的观察是极不可能的，如果它是由那个分布产生的。完全有可能但实际上不太可能（即概率为 p）。

现在，在统计界的一个分支中，有这样一种惯例，即认为 p 值低于某个阈值，以证明观察结果来自与原始分布不同的分布。该阈值称为“alpha”，并在实验之前设置。因此，如果 alpha 例如 0.05 且 p 低于该值，我们认为这是观察结果来自不同分布的证据。

这就是均值 p 值的故事。当涉及到相关性时，相关性的强度（在这种情况下是观察值）由不同的变量给出 - 例如，具有高 r 意味着相关性很强。但即使 r 的值很高，p 值也可能不同——高值和低值。在 p 值较低的情况下，我们认为由于偶然性而不太可能得到那种 r。高 p 值可能表示数据中有大量噪声，因此相关性本身很高，但这是由于偶然性造成的概率也很高。您还可以具有非常低的 r 值，但具有很高的确定性（p 值较低）。所以相关性的强度不是用p来衡量的。