Een t-waarde (of een F-waarde, of een Chi-kwadraat-waarde, of een Pearson r-waarde) heeft een bepaalde kans om voor te komen als de eigenlijke t-waarde in de populatie eigenlijk 0 is (of de eigenlijke F-waarde 1 is, of de eigenlijke Chi-kwadraat waarde 1 is, of de eigenlijke Pearson r-waarde 0 is). Die kans is de p-waarde (p van probability).
Deze kun je uitrekenen met Excel, met de functie TDIST voor t-waarden, FDIST voor F-waarden, en CHIDIST voor chi-kwadraat waarden. Zoals Luc al aangeeft moet je dan ook de bijbehorende vrijheidsgraden ingeven. De Pearson r-verdeling zit niet in Excel; daarvoor moet je de correlatie eerst omrekenen naar de t-waarde met:
$$t = r\sqrt{\frac{n-2}{1 - r^2}}$$
In R kun je de functies pt, pf en pchisq gebruiken, waarbij je ook de vrijheidsgraden moet specificeren. R heeft de Pearson r verdeling wel, in package SuppDists.
Houd er met het gebruik van deze functies rekening mee dat je de oppervlakte onder de verdeling krijgt. Voor een t-waarde van 4 met 10 vrijheidsgraden krijg je dus een hele GROTE p-waarde, hoewel dit erg significant is. Je moet dan zelf bedenken dat dit, omdat het een positieve t-waarde is, 'verkeerd om' is. Een oplossing is om positieve t-waarden altijd negatief te maken voordat je de p-waarde erbij zoekt. Verder moet je deze p-waarden altijd verdubbelen, omdat je altijd tweezijdig toetst (zie de uitleg in andere vragen in dit systeem).
Stel dat je een t-waarde hebt van 4 met 10 vrijheidsgraden; dan kun je het volgende doen:
> pt(4, 10)
[1] 0.9987408
Dit is dus verkeerd om; we moeten de kans op een t groter dan 4 hebben, niet kleiner. Dus:
> 1-pt(4, 10)
[1] 0.001259166
Dat is al beter. Nu nog verdubbelen, omdat de p-waarde de kans is op een extremere t-waarde, niet alleen groter of kleiner; dus we moeten de kans op een t kleiner dan -4 hier bij optellen. Omdat de t-verdeling symmetrisch is, is de kans op een t kleiner dan -4 even groot als de kans op een t groter dan 4:
> 2*(1-pt(4, 10))
[1] 0.002518333
En there you go.