P值如果足够小，就应该拒绝原假设。

p越小，拒绝原假设犯第一类错误即原假设是正确的而你拒绝了的概率越小，而显著性水平α是原假设错误接受原假设犯第二类错误的概率。
α<P,即犯第一类错误的概率低于犯第二类错误的概率，所以宁愿选择犯第一类错误，拒绝原假设

p值越小表明，犯类型I错误，即拒绝一个正确的原假设，的概率越小，因而越有把握拒绝原假设。

这个说法是对的，你的原假设是两个样本间没有差异，而当α为0.05，p=0.02时，那么确实应该拒绝原假设，表明两个样本间存在显著差异。
可能就是需要换一个角度。

p值越小越拒绝原假设

这是拒绝原假设拒绝错了的概率，越小说明错误概率越小，也就是说正确拒绝原假设的概率越高

  通常来说，我们会把想要论证的内容设定为备择假设。此时，我们希望能够拒绝原假设，接受备择假设。然而，我们在进行统计推断的过程中可能会犯错（毕竟100%的把握是理想化的状态，不够严谨）。因此，为了使拒绝原假设的过程更为“合理化”，当然是让犯错的概率越小越好，而p值代表的正是犯错的概率。
  题主的理解是“p值越小，拒绝原假设的概率越小”，其实正确的理解应该是“p值越小，通过拒绝原假设而接受备择假设可能犯错的概率越小”。这是我个人的理解，希望能帮到题主。

p值越小表明，犯类型I错误，即拒绝一个正确的原假设，的概率越小，因而拒绝原假设。

意思是p值越小，拒绝原假设时犯错的概率越小，也就是越有把握拒绝原假设

用R语言建模时，经常会用到各种检验，这些检验往往会有一个p值，p值的数值一般小于0.05，即小概率（5%）事件发生，我们知道概率越小，发生的坑呢性越低，小概率发生不符合常理，拒绝原假设。但是发生概率多小才是小概率事件是自己确定的，0.05是基于大量统计认为的一个小概率事件，论文文献还有大于0.05的概率当作小概率事件，统计学会更详细的讲解，一般以5%的概率作为小概率足以。