Честно говоря, я не думаю, что закон больших чисел играет огромную роль в промышленности. Полезно понимать асимптотические обоснования общих процедур, таких как оценки и тесты максимального правдоподобия (в частности, все важные GLM и логистическая регрессия), начальной загрузки, но это проблемы распределения, а не вероятность попадания в проблемы с плохой выборкой ,
Помимо уже упомянутых тем (GLM, логический вывод, начальная загрузка), наиболее распространенной статистической моделью является линейная регрессия, поэтому необходимо полное понимание линейной модели. Вы можете никогда не использовать ANOVA в своей отрасли, но если вы этого не понимаете, вас не должны называть статистиком.
Существуют разные виды отраслей. В фармацевтике вы не можете зарабатывать на жизнь без рандомизированных испытаний и логистической регрессии. В статистике опроса вы не можете зарабатывать на жизнь без учета оценки Хорвица-Томпсона и отсутствия ответов. В статистике, связанной с информатикой, вы не можете зарабатывать на жизнь без статистического обучения и интеллектуального анализа данных. В аналитических центрах государственной политики (и, все чаще, в статистике образования) вы не можете зарабатывать на жизнь без причинно-следственных связей и оценок воздействия на лечение (которые все чаще включают рандомизированные испытания). В маркетинговых исследованиях вам необходимо сочетать экономические основы с теорией психометрических измерений (и вы не можете узнать ни одного из них в типичных предложениях отдела статистики). Промышленная статистика оперирует своими собственными своеобразными парадигмами шести сигм, которые, однако, отдаленно связаны с основной статистикой; более сильная связь может быть найдена в дизайне материала эксперимента. Материалом Уолл-стрит будет финансовая эконометрика, вплоть до стохастического исчисления. Это ОЧЕНЬ разрозненные навыки, а термин «индустрия» еще более плохо определен, чем «академия». Я не думаю, что кто-то может утверждать, что знает больше, чем два или три из вышеперечисленного одновременно.
Тем не менее, основными навыками, которые универсально потребуются в «отрасли» (что бы это ни значило для вас), будет управление временем, управление проектами и общение с менее статистически подкованными клиентами. Поэтому, если вы хотите подготовить себя к трудоустройству в промышленности, возьмите занятия в бизнес-школе по этим темам.
ОБНОВЛЕНИЕ: оригинальный пост был написан в феврале 2012 года; в эти дни (март 2014 года) вы, вероятно, должны называть себя «специалистом по данным», а не «статистиком», чтобы найти горячую работу в промышленности ... и лучше изучить Hadoop, чтобы следовать этому самопровозглашению.