把一些右删失数据拟合为一个生存模型：

在一点中计算模型：

获取模型的函数表示：

可视化一个生存函数的 95% 逐点置信区域：

对一组26个精神病人进行跟踪调查直至死亡或者研究结束. 在研究结束后这些病人的寿命呈右删失分布. 比较病人存活的非参数和参数模型：

在 95% 每一点的置信带和 Gompertz–Makeham模型下，Kaplan–Meier估值：

这两个模型的估计中位数存活是相似的：

下面数据包含70台电子发电机的连续运转时间（以小时为单位）. 在给定最低限度的维修策略下，感兴趣的是各种运转时间下期望的平均失效数目. 有些发电机在观察器没有失效，并且是右删失的：

累积风险函数的 Nelson–Aalen估值的图线：

累积风险函数的表格化总结：

平均而言，在 87,500 个小时的运行时间内，失败了 0.337 次：

为缓解白血病人的痛苦，在临床试验中使用 6-巯基嘌呤或安慰剂. 比较两组的存活率：

拟合模型：

治疗组是重右删失，控制组是无删失：

很清楚，治疗组存活率高于控制组：

具有 Tarone–Ware 加权的LogRankTest 与上面的发现是一致的：

191 名高中男孩被问及，他们第一次尝试大麻是什么年龄. 可能的回答包括，“我第一次尝试大麻是在年龄 ”，“我从没有抽过大麻”，或“我不记得何时第一次尝试大麻”：

生存函数的总结：

在每个事件时间具有 95% 置信区间的分布函数：

具有 90% 的置信度，男孩在14岁后第一次抽大麻的概率：

一组38例急性淋巴细胞白血病的个人分别给予骨髓移植. 患者随访直至死亡，复发，或研究结束. 下面的数据可以被解释为无病存活时间：

在区间 100 到 600 天中定义同步带：

比较无病生存概率的同步和逐点带：

无疾病生存概率的假设检验：

生存，无病超过400天的概率：

在400 天，无病生存概率没有明显不同于 1/2：

感兴趣研究狒狒睡眠习惯的研究人员记录了有一半狒狒睡眠后从树上掉下来的所经过的时间. 在某些日子里，研究人员到达的时间足够早，可以精确记录这些时间. 在其他时候，他们在下降时间的中位数时间后到达，因此一天的观测被左删截了：

在7到9个小时时间段内，95% Hall–Wellner生存置信包（survival confidence envelope）：

下降时间的中位数落在7到9个小时的时间区间内的概率：

下降时间的中位数和均值：

跟踪肾功能不全患者到第一导管出口处感染. 每个患者有两种类型的导管放置（手术或经皮）. 最令人感兴趣的是导管的位置是最重要的，可以防止感染：

可以看出，从长期而言，经皮放置延长感染的时间：

比较非参数式模型和参数式威布尔模型：

诊所招收了30个糖尿名患者并随访至死亡或研究结束. 并记录了患者在研究开始和结束时的年龄. 使用这些假设数据，比较60和65岁糖尿病患者的条件存活率和糖尿病存活率，忽略左截断：

无条件模型：

存活到至少60和65岁的条件：

比较生存曲线：

60岁糖尿病生存超过70岁的概率：

65岁糖尿病存活超过70岁的概率的90%置信区间：

对于右删失数据，默认情况下使用 Kaplan–Meier 估计器：

Kaplan–Meier乘积极限估计器用于右删失数据：

Nelson–Aalen估计器是基于累积风险函数：

Nelson–Aalen估计器用于右删失数据：

变换为生存函数：

置信区间的宽度随着置信级别增加而增加：

在置信级别范围上的三个不同事件时间的置信区间宽度：

以拟合函数的形式指定置信带和区间：

当计数不同事件时考虑截断：

使用 CoxModelFit 估计协变量出现的生存概率：

估计参数：

检验模型的整体显著性：

绘制 级，具有 的生存估计：

使用 LogRankTest 比较多组的风险率：

直观比较生存估计：

使用 LogRankTest 比较风险率：