的答案尽管基本正确，但从严格的定义来说是有一定误导的。
要说清楚p-value，就要说清楚很多其他基本概念。
我就用题主的例子讲个故事好了。题目叫：射击队来了个新领导。
射击队来了个新领导，想选拔一些队员为省（自己）争光。于是他找来 一个叫费舍尔的人来做统计检验。虽然费舍尔表示这个方差应该是比较好判断一个选手素质的统计量。但领导表示我们没那么多时间，全运会马上开始了，大家打一枪直接看结果拉到。
费舍尔想应该是个分布应该是正态吧，你看要不我自己定一个拒绝区间，但领导表示就是10-3了。费舍尔算了一下发现合格选手打进这个区间的概率应该是96%。
但领导希望这个检测最好尽量少出错，费舍尔说这有两种可能的错误：
第一种是，运动员是合格的，但我们认为他不合格，就是拒绝原假设。
第二种是，运动员不合格，但我们认为他合格。
领导说那就让这两种概率都小，费舍尔说这个数学上不行啊，两种错误概率不能同时都降得很小。领导想了想说把一个好的人说成不合格，他会出去说我们输了是领导选人无房，你把不合格的人说成合格的，我们可以说比赛前状态不好。看来第一种错误比较严重，那就尽量让第一种小吧。
费舍尔说，我们统计一般都是把第一类错误确定一个很小数值，然后尽量设计实验令第二种尽量小。
领导说最多4%好了。费舍尔告诉领导这个4%，或者说我们希望第一类错误的最大值，就是显著水平。那么同时，我们希望看一下我们犯错误的平均概率也恰好是4%，这个4%同时也是我们犯错误百分比的期望，也就是说有100个候选人，我们平均会把四个合格的人弄成不合格的。那么具体到实验中就是，这个人在合格的情况下，打出n环以外就会被认为不合格。所以这个实际的概率就是合格的人打出n环以外的概率，我们希望这个概率不要大于4%。费舍尔发现n等于3的时候恰好是4%。那么只要n小于等于3，整体的第一类错误都不会大于4%。
但是我们还要尽量让第2类的错误概率小，就是说一个不合格的人，打进n环以内的概率要尽量小。反过来，一个不合格的人打出n环以外的概率就是我们正确的概率，当然第一类错误地反面也是正确的，但那个概率就是最少1-4%，在最优情况下，无法改动。所以我们就希望让一个不合格的人打出n环以外的概率尽量大，费舍尔给这个概率起了一个名，叫检验的势（power），检验的是就是我们争取的概率，他越大，第二类错误就越小。
费舍尔算了一下对于一个不合格的人来说，打出3环的概率也就势是60%，打出2环是20%。3环最大。所以我们就选择了3环到10环作为拒绝区间。这时候第二类错误最小是40%。
费舍尔发现跟领导想的一样，不用说服领导了，松了一口气。
（下面开始解释p-value）
然后费舍尔做了一次实验，一个人打了一个2环外。费舍尔的拒绝区间的形式，是多少环之外就拒绝。那么当一个人打了2环外，如果拒绝区间是2环外，那么如果假定他合格，平均来说他被拒绝，也就是费舍尔犯错的概率就是2%。如果是3环外，就是4%。如果1环，我们不拒绝。如果我们的拒绝区间没有定下来，领导希望这个犯错误的概率越小越好，那么这个拒绝区间就应该是2环外。在假设拒绝区间没确定的情况下，对给定的样本，在H0假设下，我们选择一个拒绝区间，使得拒绝这个样本的概率（也就是一类错的概率）最小，这个概率叫做p-value（这就是为何之前的答案不妥，p-value是个最小值，只不过由于某人答案里拒绝区间只有一种，所以最小值就是唯一的值，那个答案没错，但定义不全面）。
费舍尔这时候跟领导说，假设有100个人都这样，如果我们都拒绝他们，我们平均也就弄错两个，也就是2%，领导您定的是最多4%，这个符合要求，不如就索性都拒绝了吧。领导表示费舍尔领会了他的精神表示同意。这也就是为什么pvalue小于置信度就拒绝，因为在给定了拒绝区间的情况下，p-value越小我们约少可能犯错，所以就放心大胆拒绝了。
这基本就是答案。必须说，在高等数理统计里的p-value定义真反人类。
