1、t值
T检验，亦称student t检验（Student's t test），主要用于样本含量较小（例如n < 30），总体标准差σ未知的正态分布。
T检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。它与f检验、卡方检验并列。t检验是戈斯特为了观测酿酒质量而发明的,并于1908年在Biometrika上公布 。
2、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。
扩展资料
实用举例
1、t检验可用于比较男女身高是否存在差别
为了进行独立样本t检验，需要一个自（分组）变量（如性别：男、女）与一个因变量（如身高测量值）。根据自变量的特定值，比较各组中因变量的均值。用t检验比较下列男、女儿童身高的均值 。
假设
H0：男平均身高 = 女平均身高
H1：男平均身高 ≠ 女平均身高
选用双侧检验：选用α=0.05的统计显著水平
2、P值
从研究总体中抽取一个随机样本计算检验统计量的值计算概率P值或者说观测的显著水平，即在假设为真时的前提下，检验统计量大于或等于实际观测值的概率。
如果P<0.01，说明是较强的判定结果，拒绝假定的参数取值。
如果0.01<P值<0.05，说明较弱的判定结果，拒绝假定的参数取值。
如果P值>0.05，说明结果更倾向于接受假定的参数取值。
参考资料来源：百度百科-t值
参考资料来源：百度百科-p值
如何理解t检验和P值？
t值是统计量，一般得到t值后，我们然后可以得到p值。
p值：
假设检验，我们可以把这个词分为“假设”和“检验”来看。
“假设”这个词带了不确定性，常说假设一个事情发生了就怎么样，就是这个事情可能发生，也可能不发生，所以我们从概率这里说起。
生活中很多事件发生看似是随机的、偶然的，比如你打麻将扔骰子，扔到1就是1，扔到6就是6，但实际上这个事件是服从一定概率分布的——均匀分布：扔到1~6这六个数的概率是一样的，都是六分之一。
均匀分布的特点就是事件的各种情况发生的概率是相等的。这种分布是很简单的。然后现在来说另外一种很常见很重要应用很广泛的分布——正态分布。
正态分布是一种随机变量是具有钟形概率分布的随机变量，许多变量的概率分布都服从正态分布。例如：某地区儿童的发育特征，身高。体重等。在同一条件下，产品的质量以平均质量为中心上下摆动，特别差或者特别好的都是少数，多数处于中间状态，正态分布是最重要的一种连续型分布，有着非常广泛的应用。
可以利用SPSSAU进行计算，假设计算方差分析中的p值，从而判断模型是否显著。分析不同学历对某产品的满意度是否有显著性差异。
如果手工计算，需要计算出F值，最后查表，然后判断是否有显著性差异，最后得到结论，使用SPSSAU直接将分析项拖拽到分析框内（过程简单，这里不展示），最后得到F值为0.606，p值为0.613大于0.1，说明不同学历对产品满意度没有显著性差异。