各位看官如果有興趣，就跟著我壹起來理壹理吧。
我壹直有個壹夜暴富的夢想，思來想去，我決定買彩票。概率老師告訴我，這“ 不可能 ”。可是，這個不可能是怎麽定義的？
本著嚴謹的思維，我決定做個科學實驗。假設，我有可能通過買彩票壹夜暴富（零假設），那麽這件事情發生的概率（p值）是多少呢？以雙色球為例，?壹等獎(6+1)中獎概率為:紅球33選6乘以藍球16選1=1/17721088=0.0000056%。概率老師告訴我，如果壹件事情發生的概率很小，那麽我們就認為這件事不可能發生（備擇假設）。
從這件司空見慣的小事，我們可以理出如下思路，怎麽對壹件事情進行預測。首先，我們需要進行壹個零假設，然後，算出這件事發生的概率 p 值，給定壹個閾值，比如0.05，當 p<0.05，我們認為這件事不可能發生，那麽只能是它的對立面備擇假設成立。所以，這個 p 值，其實就是壹個概率。這個分析思路看上去也很簡單，可是問題來了，p 值到底怎麽算？彩票中獎概率當然好算，教科書經典問題，那麽其他的呢？這又引起另壹個讓人頭疼的問題。
我們知道，我們所做的壹切判斷都是基於已有的客觀事實，在科研領域，自然是那壹堆堆的數據，那麽如何從這些數據中做出判斷呢，自然是找規律。怎麽找規律？數據分布給我們指明了道路。讓人頭疼的卡方檢驗，t 檢驗等等壹系列都是由卡方分布，正態分布延伸而來的分析方法。總結壹下，從拿到數據，到最後做出判斷，需要經歷以下過程：
為了更形象的說明這個過程，我引用某知乎作者張自達的壹個t檢驗的例子。
例子
為了更形象的說明這個過程，我引用某知乎作者張自達的壹個 t 檢驗的例子。
假設有壹批均值為10的樣本數據，符合正態分布。我們抽其中10個樣本檢測，想看下這10個樣本能否代表這批樣本數據。下面是我們的分析過程：
第壹步 ，拿到實驗數據，總體樣本均值為10，抽樣樣本量為10；
第二步 ，確定樣本分布為正態分布，作出零假設，認為抽樣樣本可以代表總體樣本；
第三步 ，由於總體樣本均值已知，總方差未知，所以采取t檢驗的方法，用樣本方差代替總方差，抽樣樣本自由度為9，先計算t-檢驗的統計量
根據這個 t 值和自由度，我們可以算出 p 值，見下圖。
p=2 ×0.07417=0.14834
第四步 ，得出結論，以 p<0.05 為閾值，本例中 p>0.05，拒絕原假設，因此，10個抽樣樣本並不能反應總體樣本情況。
看到這裏，可能各位看官又和我壹樣頭大了，慶幸的是，p 值計算已經整合到檢驗方法中，並整合到分析軟件中，實際分析中，這些都是不需要自己算的，我們只需要選擇合適的檢驗方法，甚至合適的分析軟件就可以，我只是為了更形象的說明p值得到過程，所以找到這個比較簡單的例子。
p 值的來龍去脈，我算是大概理清楚了，那麽又為什麽要對 p 值進行校正呢？
以我們常見的差異表達基因來為例，當我們對其中壹個基因進行分析，以 p<0.05 為閾值，我們認為在這個基因上，兩個比較組存在差異，這其中只有不到5%出錯的概率，我們認為這是顯著差異的。但是真正生物分析中，我們不可能只分析壹個基因，對於上萬的基因數，即便是5%的錯誤率，以1000個差異基因為例，也會有50個假陽性的結果，因此，FDR（false discovery rate）被提出來，用以控制假陽性的產生。假陽性的控制方法有很多，所以有 q value，p adjust，那麽多不同的名詞，我會在後面的文章中繼續說明。