不幸的是，答案是两者都被使用。在连续的情况下，您是对的，区别并不重要。在离散情况下，解释会略有不同，因此清晰很重要。

根据我的经验，生存函数最常见的定义是$S(t) = Pr(T>t)$所以会匹配你的黄色列。这是用于推导 Kaplan-Meier 估计量的一个：$\hat{S}(t) = \frac{\text{individuals with } T>t}{\text{total individuals}} = \prod_{j=1}^k{(1-\frac{d_j}{r_j})}$在哪里$d_j$是区间内的事件数$j$,$r_j$是区间内处于风险中的个体数量$j$， 和$\frac{d_j}{r_j} = h(t)$

一个重要的注意事项是生存函数应该从$S(0) = 1$如果 0 是第一个时间点，在没有左删失的情况下（即假设没有人开始跟进已经发生的事件）。在您的示例中，我假设在 2012 年 1 月开设和关闭银行账户的人在关闭账户之前打开了该账户；因此，如果缩短时间间隔（例如使用周或天作为时间尺度），那么 S(0) 在这两种情况下都等于 1。

两种定义之间的区别有多大可能取决于具体的应用。两种计算之间的分歧程度可能取决于随访的时间长短、事件的频率、联系的数量以及如何考虑这些。

此外，在许多应用中，我们感兴趣的是比较两组之间的风险或生存率，而不是特定组中的绝对生存率或风险。在这种情况下，我认为区别应该更不重要，但我必须检查一下才能确定。

有关生存分析的更多详细信息$S(t)$明确定义为$Pr(T>t)$，请参阅：Allison：使用 SAS 系统进行生存分析

有关更多详细信息，请使用$S(t) = Pr(T>=t)$，请参阅：科莱特：医学研究中的生存数据建模，第 2 版。（注意，大部分分析细节与 Allison 中的相同，但解释可能不同）