研究发现疫苗和刺突蛋白有可能影响人体DNA

（接上篇）

图9：以英国2021年上半年新冠疫苗接种大数据，计算真实的死亡率图示。

前两篇，我们从英国、美国、澳大利亚8篇正式刊出的科研论文和统计报告入手，通过大数据计算，曝光了新冠疫苗真实有效率严重造假的现状。新冠疫苗促进感染、促进重症、促进死亡，与当前媒体、专家宣传的截然相反。

本篇从英国官方数据库的原始资料入手，看看在疫苗相关死亡率上的问题，那可是计算疫苗有效率的基础，如果这样公开、共享的国家基础数据库的死亡率等数据，都被做了手脚，在它基础上的科研和论述，已经被虚假架空了。

9.改动死亡率，手法有规律

图10：该数据库凭空给出的未接种死亡率与原始数据矛盾，往有利疫苗方向造假

图11：该数据库凭空给出的1针死亡率与原始数据矛盾，朝有利疫苗方向造假

上面两图，根据英国官方数据库的原始资料[1]分别得出。黑色折线是以其原始数据计算的整体（人群不分组）死亡率绘制，在该大数据库中，死亡率、急性住院率的基数是总人口：

未接种组死亡率=未接种组死亡数/未接种总人数

三色散点图，是按照其直接凭空给出的“死亡率”绘制：

1针(>21天)死亡率=该组死亡数/该组总人数

其中疫苗1针>21天，也叫1针合法接种，是指新冠疫苗打第一针后，21天没暴露在病毒环境中的。前文讲过，这样的分组，把打1针不到21天的和21天内染疫的，都降到未接种组中了，人为减少了易感人数，倾向性鲜明。

两图可见，凭空给出的散点三值（上线、下线、均值），在2021年第1-11周前，明显偏离了整体值，且有鲜明的“疫苗倾向性”：将未接种组的死亡率大幅提高，给疫苗遮丑；将接种疫苗组的死亡率大幅度下降，以伪装疫苗的有效。

死亡率三数值怎么来的呢？按科学的方法，应该是分组而来。把整体数值分成若干分组，分别计算各组的死亡率、平均值，然后配上该组的上线、下线数值。

死亡率是个简单的比例数A/B，分组后，整体值会超出分组值的上线、下线——出界吗？以最简情况举例：

表17：整体值与分组值最简情况举例表

A、B拆分为6组，假设按上述情况分组，A1/B1等各组比值相同，都等于1/3，也等于整体值A/B；如果某组比值变大了，必有另外组比值相应变小！也就是围绕整体值A/B上下振荡，怎么会有图10、图11完全出界的情况呢？

该设想是否成立？需要建立数学模型，以大数据演算来判断。

10.依据数学模型，万变不离其宗

(1)数据来源

以2021年10月6日苏格兰公卫疫情报告[2]为基础数据，如下表。

表18：建模分组数据来源，苏格兰周报

(2)建模方法

计算机编程，上表每套数据（A、B）随机分组，分成统一的组数（如16组），比较每套数据“整体值A/B”，和分组值A1/B1、A2/B2……，排序，看整体值A/B是否在各组值上线和下线之间，即是否出界，出界率多少？

进一步，再设定波动范围。以A/B比值为纵坐标，单位设定在小数点前两位数，即小于99.9点，上例单位采用“十万分之”，分别限定A/B波动范围在50点、30点、10点、6点、0.6点范围内，再考察出界率。

(3)检验与规律

表19：编程计算整体值与随机分组值的出界比率结果

程序设定分成3组-16组，每组验算1000万数据以上都是这个结果：出界率为十万分之0！

图11：A/B分组数学模型示意图，编程分3-16组，每种分法，上千万次计算规律一致。

还能看到上图规律：当A/B波动范围小于10点时，整体值和均值接近重合，可以用整体值作为计算的标准。

因此，在不知道分组值的情况下，或者在分组值涉假时，可以简单地用整体值来计算死亡率，进而计算疫苗的有效率，作为统一的衡量标准。从科研上讲，不分年龄组，把人看作统一整体，计算疫苗相关的整体死亡率、整体有效率，并无不可。

而且，这个整体数据，是分组数据的基础。如果疫苗有效率的整体值都不合格，再细分年龄组，就未必有意义了。

这样，我们可以根据上述数学模型的规律，判断“A/B正比例分组数据”的真伪。也就有了本文开头对两组死亡率的判假，和下图2针疫苗死亡率的揭底。

图12：该数据库凭空给出的2针死亡率与原始数据计算值矛盾，同样向有利疫苗方向造假。

11.数据库汇总计算，五证疫苗促进死亡

表20：英国数据库2021年上半年新冠死亡相关数据摘录与计算对比（死亡率：十万分之）

对比该数据库“凭空给出的涉假死亡率”，与根据原始数据计算的“整体死亡率”，如开头的图9，和下图12。

图12：以英国2021年上半年新冠疫苗接种大数据，计算出真实死亡率对比。

可见，接种一针疫苗21天后，死亡率反而高于不打疫苗组，第五次证明新冠疫苗促进死亡！

第1针打死了很多人（被假数据掩盖住），第2针疫苗死人就相对少了，所以显得后续疫苗保护率高——这样的2针死亡保护率，毫无意义。

上图的死亡率大幅度降低的现实情况，被新冠疫苗推手们归功于疫苗的大面积接种，这是贪天之功——降低是疫情退潮特性的表现，和疫苗无关，看下图。

12.防死防重症，面目变狰狞

图13：大数据显示新冠疫情死亡率（重症同理）有退潮特性，和新冠疫苗无关（据健康1+1原图）

上图彰显：在新冠疫苗出来之前，印度、以色列的死亡率有同步的大幅度降低，干疫苗何事？在疫苗接种率一路攀升之后，死亡率并没有随之降低。这种死亡率的升降，是疫情的退潮、游走特性决定的。本文多次展现的英国2021年第1-10周的死亡率大降，也印证了这一点。

在《大数据否定新冠疫苗防重症》一文，我们已经捅破了“新冠疫苗防重症”的谎言，前文揭开的死亡率造假，和下面的疫苗有效率负值，再次证实了这一点。

如果真是不防重症、促进死亡，继续向全世界推广新冠疫苗，是为了什么呢？

13.编造死亡率，诱生假有效率

死亡率不能直接说明问题，真正衡量疫苗的，是以它为基础的疫苗有效率。疫苗有效率，是科研和论文一定要计算的，但是数据库不必有它，因为它不是基础数据。

疫苗有效率在英国这个原始数据库中并没提供，根据表20的摘录的数据计算如下。

第一周第1针合法接种的有效率（对死亡），以原始数据计算：

Ve=1-Y/N=1-41.44/12.67=-227.15%

以其凭空给出的涉假死亡率计算：

Ve=1-5.2/14.3=63.86%

假死亡率诱生了这个结果，疫苗从绝不合格，变为下表中80～90%的完美有效率！造假无成本，“科研”好蒙混。

表21：2021年英国数据库计算的疫苗第1针(>21天)两种死亡保护率真假对比

将上述两组真假有效率做图如下：

图14：该数据库计算的真假疫苗保护率对比图

假死亡率诱生的1针疫苗有效率，后期的降低、变无效，恰好证明了该打第2针了！既演绎前期有效，又为后续疫苗铺路，设计如此完美，足以“证明”疫苗专家们的“理论”和“预期”！

英国2021年前26周，每周都是近4000万人样本的大数据，是目前最有说服力的科研结论——彰显新冠疫苗促进死亡，彰显疫苗靠造假来维持。

（未完，待续）

[1]英国官方数据库网址：

https://www.ons.gov.uk/peoplepopulationandcommunity/birthsdeathsandmarriages/deaths/datasets/deathsbyvaccinationstatusengland

[2] Public Health Scotland COVID-19 Statistical Report As at04 October2021，Publication date:06 October2021