单边置信区间是双尾假设检验，就像常规两侧置信区间是双尾检验一样。

如果$\theta$是一个参数，我们说$(a,\infty)$是一个单方面的 CI$\theta$, 那么这意味着$a$被一个过程发现，该过程将产生一个低于真实值的值$\theta$ $95\%$的时间。

在您的情况下，感兴趣的参数是均值的差异：$\mu_x-\mu_y$. 如果您为此参数构建一个单边置信区间，形式为$(a,\infty)$, 那么你可以有 95% 的信心说$a<\mu_x-\mu_y$. 因此，如果$0\leq a$，你可以拒绝原假设。

拒绝空值与获得意义是一回事。如果您了解“如何使用置信区间来拒绝零假设”，那么您已经完成了另一件事。

简而言之，如果间隔为$\mu_x-\mu_y$不包括零，您拒绝为空；等效地你已经取得了意义，从而得出结论$\mu_x > \mu_y$

使用单边 z 或 t 置信区间或假设检验：如果您被特别询问有关未知均值是否大于或不超过指定值的问题，或者如果您被特别询问有关未知均值是否为小于或不小于指定值，或者如果未知均值大于指定值的实际结果类似于未知均值等于指定值而未知均值小于指定值的实际结果与指定的值完全不同，反之亦然。使用双边 z 或 t 置信区间或假设检验：如果您被特别询问有关未知均值是否等于指定值的问题，

虽然该答案适用于 Stats 类，但实际示例如下所示：

你的老板让你计算完成一个项目需要多长时间。您考虑到所有活动（使用适当的项目管理技术）并告诉她：“我有 90% 的信心认为它会在 90 天内完成。” 她回答：“听起来不错，但你需要多长时间才能达到 99% 的自信”。再一次，使用正确的 PM 技术和“单尾 z”，你告诉她“我 99% 有信心它会在 95 天内完成。” 换句话说，项目有 10% 的可能性超过 90 天，有 1% 的可能性项目超过 95 天。因为我们处理的是一系列值，所以“尾部”仅高于或高于您的目标日期，而不是在您预测单个值时像双尾那样一半上下一半。