统计学中的P值：是用来判定假设检验结果的一个参数，也可以根据不同的分布使用分布的拒绝域进行比较
p值是指在一个概率模型中，统计摘要（如两组样本均值差）与实际观测数据相同，或甚至更大这一事件发生的概率。换言之，是检验假设零假设成立或表现更严重的可能性。
p值若与选定显著性水平（0.05或0.01）相比更小，则零假设会被否定而不可接受。然而这并不直接表明原假设正确。
p值是一个服从正态分布的随机变量，在实际使用中因样本等各种因素存在不确定性。产生的结果可能会带来争议。
P值小于0.005适用的范围
当 P值 < 0.005时比 P值 在0.005与 0.05之间时提供了更强的证据，这一标准仅适用于探索新现象，而不适用于验证性研究或者是重复研究之中。对于原本采用更加严格标准的领域，如基因研究或者高能物理领域，也不适用。
0.005的标准适合于对证据的进行推断，而不是作为出版的标准。对于一个非常有原创性的效应，即使其结果在0.005与0.05之间，只要明确表示这是启示性的证据，也应该发表。
以上内容参考：百度百科-P值
P值是用来判定假设检验结果的一个参数，也可以根据不同的分布使用分布的拒绝域进行比较。由R·A·Fisher首先提出。
P值（P value）就是当原假设为真时，比所得到的样本观察结果更极端的结果出现的概率。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。
发展史
R·A·Fisher（1890-1962）作为一代假设检验理论的创立者，在假设检验中首先提出P值的概念。他认为假设检验是一种程序，研究人员依照这一程序可以对某一总体参数形成一种判断。也就是说，他认为假设检验是数据分析的一种形式，是人们在研究中加入的主观信息。
（当时这一观点遭到了Neyman-Pearson的反对，他们认为假设检验是一种方法，决策者在不确定的条件下进行运作，利用这一方法可以在两种可能中作出明确的选择，而同时又要控制错误发生的概率。这两种方法进行长期且痛苦的论战。虽然Fisher的这一观点同样也遭到了现代统计学家的反对，但是他对现代假设检验的发展作出了巨大的贡献。）
本回答被网友采纳在最后结论中判断什么样的显著性水平具有统计学意义，不可避免地带有武断性。换句话说，认为结果无效而被拒绝接受的水平的选择具有武断性。实践中，最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数之间的两两>比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。通常，许多的科学领域中产生p值的结果≤0.05被认为是统计学意义的边界线，但是这显著性水平还包含了相当高的犯错可能性。结果0.05≥p>0.01被认为是具有统计学意义，而0.01≥p≥0.001被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。
所有的检验统计都是正态分布的吗并不完全如此，但大多数检验都直接或间接与之有关，可以从正态分布中推导出来，如t检验、f检验或卡方检验。这些检验一般都要求：所分析变量在总体中呈正态分布，即满足所谓的正态假设。许多观察变量的确是呈正态分布的，这也是正态分布是现实世界的基本特征的原因。当人们用在正态分布基础上建立的检验分析非正态分布变量的数据时问题就产生了，（参阅非参数和方差分析的正态性检验）。这种条件下有两种方法：一是用替代的非参数检验（即无分布性检验），但这种方法不方便，因为从它所提供的结论形式看，这种方法统计效率低下、不灵活。另一种方法是：当确定样本量足够大的情况下，通常还是可以使用基于正态分布前提下的检验。后一种方法是基于一个相当重要的原则产生的，该原则对正态方程基础上的总体检验有极其重要的作用。即，随着样本量的增加，样本分布形状趋于正态，即使所研究的变量分布并不呈正态。本回答被网友采纳
什么是第一类错误 统计上把保守的、传统的观点作为原假设 新颖的、感兴趣的、想去论证的观点作为备择假设 就好比一个犯罪嫌疑人 在没有确凿的证据前都只能以他无罪为原假设 因为一个人无罪判他有罪 比 有罪判无罪 的后果严重的多 大家都不愿被冤枉 所以推广开来 你想证明一班的成绩比二班好 原假设就设为一班二班成绩相同 备择假设就设为一班比二班成绩好 若得出的P值较小 一般以0.05作为临界值 比0.05小就可以接受一班成绩比二班好的事实 若比0.05大就说明没有足够证据证明一班成绩比二班好 保守起见拒绝备择假设 接受原假设
纯手打
在这个题目中P1=第一组中满意人数/第一组总人数
你这个没说清楚，第一组的样本量是多少，120是总样本量还是别的意思，问题不太明确，我的回答可能不太准