Francamente, no creo que la ley de los grandes números tenga un papel importante en la industria. Es útil comprender las justificaciones asintóticas de los procedimientos comunes, como las estimaciones y pruebas de máxima verosimilitud (incluidos los GLM omnipresentes y la regresión logística, en particular), el bootstrap, pero estos son problemas de distribución en lugar de la probabilidad de llegar a problemas de muestra incorrecta. .
Más allá de los temas ya mencionados (GLM, inferencia, bootstrap), el modelo estadístico más común es la regresión lineal, por lo que es imprescindible una comprensión profunda del modelo lineal. Es posible que nunca ejecute ANOVA en la vida de su industria, pero si no lo comprende, no debería ser llamado estadístico.
Hay diferentes tipos de industrias. En la industria farmacéutica, no puede ganarse la vida sin ensayos aleatorios y regresión logística. En las estadísticas de la encuesta, no puede ganarse la vida sin el estimador Horvitz-Thompson y los ajustes de no respuesta. En las estadísticas relacionadas con la informática, no puede ganarse la vida sin aprendizaje estadístico y minería de datos. En los think tanks de políticas públicas (y, cada vez más, en estadísticas educativas), no se puede ganarse la vida sin estimadores de causalidad y efecto del tratamiento (que, cada vez más, implican ensayos aleatorios). En la investigación de mercado, debe tener una combinación de antecedentes económicos con la teoría de medición psicométrica (y no puede aprender ninguno de ellos en las ofertas típicas de un departamento de estadística). La estadística industrial opera con sus propios paradigmas peculiares de seis sigmas que están conectados remotamente a las estadísticas principales; Se puede encontrar un vínculo más fuerte en el diseño del material de experimentos. El material de Wall Street sería la econometría financiera, hasta el cálculo estocástico. Estas son habilidades MUY dispares, y el término "industria" está aún peor definido que "academia". No creo que nadie pueda afirmar que sabe más de dos o tres de los anteriores al mismo tiempo.
Sin embargo, las principales habilidades que se requerirían universalmente en la "industria" (lo que sea que eso signifique para usted) serían la gestión del tiempo, la gestión de proyectos y la comunicación con clientes menos expertos en estadística. Entonces, si desea prepararse para la colocación en la industria, tome clases en la escuela de negocios sobre estos temas.
ACTUALIZACIÓN: La publicación original fue escrita en febrero de 2012; En estos días (marzo de 2014), probablemente debería llamarse a sí mismo "un científico de datos" en lugar de "un estadístico" para encontrar un trabajo excelente en la industria ... y aprender mejor algo de Hadoop para seguir con esa autoproclamación.