10月10日，我院举办的“统计大讲堂”系列学术报告会第53讲在明德主楼1016举行。本次报告邀请了首都师范大学数学科学学院胡涛副教授和北京师范大学赵俊龙副教授分享他们的研究成果🩵，我院尹建鑫副教授主持了本次学术报告会，我院部分本、硕、博学生参加了本次学术报告活动⚱️。

胡涛副教授2009年毕业于北京师范大学数学科学学院👨🏼‍🏭，获概率论与数理统计专业博士学位。美国University of Missouri 统计系博士后🥡，2009年3月至2012.12月先后在新加坡国立大学统计与应用概率系、南洋理工大学数学与物理学院任 Research Assistant和Research Fellow。胡涛副教授研究兴趣集中在生存分析、风能数据分析🪀。2018 年入选北京市市属高校高水平教师队伍建设支持计划青年拔尖人才培育项目🤶🏽，曾获国家统计局第十届全国统计科研优秀成果奖一等奖。在国内外学术刊物JASA、Biometrika🧛🏽🚟、Renewable Energy、Energy Conversion and Management、中国科学：数学等上发表学术论文20多篇🏐。

赵俊龙副教授研究兴趣集中在高维数据分析🧑🏼‍🌾，统计学习理论。在The Annals of Statistics, Statistic Sinica, Bernoulli, Statistics and Computing, Computations Statistic& Data Analysis等统计学著名期刊发表论文近三十余篇🐕‍🦺🚭。主持完成多项国家自然科学基金项目👫🏻🙎🏽。

胡老师报告的主题是“Non-parametric models for joint probabilistic distributions of wind speed and direction data”🌽。 胡老师先向大家介绍了考虑风速和风向joint model的背景和指导风电选址的实际意义🤸‍♀️，接着回顾了前人就这一问题提出的经典参数模型AG、Weibull、Rayleigh、JW-TNW和JW-FMN🧑🏿‍🔬。随后引入了对风速和风向联合概率分布建模的非参数核密度模型(NP-KD)和非参数JW模型(NP-JW)。在NP-KD模型中，构造了考虑风向(角度)和速度(线性)数据特性的二元核密度函数，并通过两种交叉验证(CV)方法选择全局最优窗宽。在NP-JW模型中，分别利用univariate Gaussian和von Mises核密度函数拟合风速和风向数据👨‍🦯👩🏽‍🎤，再根据JW模型🔘🧑‍🧒，利用估算的风速和风向分布形成联合分布🤹‍♂️👩🏼‍💼。最后将以上模型在真实逐时数据上进行测验👩🏿‍🏫，对不同模型的拟合优度进行了比较📿。结果表明，对风速和风向联合概率分布建模🔠，非参数模型(NP-KD, NP-JW)总体上优于参数模型(AG,Weibull, Rayleigh,JW-TNW,JW-FMN)，并具有更好的鲁棒性。

赵老师报告的主题是“Multiple Influential Point Detection in High-Dimensional Spaces”。 赵老师先向大家介绍了高维背景下，影响点探测存在的masking和swamping问题，并回顾了前人就这一问题提出的经典方法，说明了现有方法对于探测多个影响点存在的问题。为了解决这一问题🤗，赵老师引入了两个新的统计量🤵🏽‍♀️，Max和Min统计量，并在此基础上提出MIP（组删除过程）🍬👩‍👩‍👧‍👦；分别说明了Max和Min统计量对于克服masking和swamping效应的有效性；同时为同学们解答了在有无影响点的情况下🙍🏼🪪，统计量分布的问题。最后展示了仿真研究和数据分析的结果，验证了该方法的有效性。

报告结束后，在场师生们就报告中提出的种种问题🎁，与两位老师进行了热切的讨论。