Franchement, je ne pense pas que la loi des grands nombres ait un rôle énorme dans l'industrie. Il est utile de comprendre les justifications asymptotiques des procédures courantes, telles que les estimations et les tests du maximum de vraisemblance (y compris les GLM omniimportants et la régression logistique, en particulier), le bootstrap, mais ce sont des problèmes de distribution plutôt que de probabilité de toucher un mauvais échantillon. .
Au-delà des sujets déjà mentionnés (GLM, inférence, bootstrap), le modèle statistique le plus courant est la régression linéaire, donc une compréhension approfondie du modèle linéaire est indispensable. Il est possible que vous ne dirigiez jamais l'ANOVA dans votre vie industrielle, mais si vous ne la comprenez pas, vous ne devriez pas être appelé statisticien.
Il existe différents types d'industries. En pharmacie, vous ne pouvez pas gagner votre vie sans essais randomisés et régression logistique. Dans les statistiques d'enquête, vous ne pouvez pas gagner votre vie sans l'estimateur de Horvitz-Thompson et les ajustements de non-réponse. Dans les statistiques liées à l'informatique, vous ne pouvez pas gagner votre vie sans apprentissage statistique et exploration de données. Dans les groupes de réflexion sur les politiques publiques (et, de plus en plus, les statistiques de l'éducation), vous ne pouvez pas gagner votre vie sans estimateurs de causalité et d'effet de traitement (qui impliquent de plus en plus d'essais randomisés). Dans la recherche marketing, vous devez avoir un mélange de connaissances économiques avec la théorie de la mesure psychométrique (et vous ne pouvez apprendre ni l'un ni l'autre dans un service de statistiques typique). Les statistiques industrielles fonctionnent avec leurs propres paradigmes particuliers à six sigma qui ne sont connectés qu'à distance aux statistiques traditionnelles; une liaison plus forte peut être trouvée dans la conception de matériel d'expériences. Le matériel de Wall Street serait l'économétrie financière, jusqu'au calcul stochastique. Ce sont des compétences TRÈS disparates, et le terme «industrie» est encore plus mal défini que «université». Je ne pense pas que quiconque puisse prétendre en savoir plus de deux ou trois de ce qui précède en même temps.
Cependant, les compétences de haut niveau qui seraient universellement requises dans "l'industrie" (quoi que cela puisse signifier pour vous) seraient la gestion du temps, la gestion de projet et la communication avec des clients moins avertis statistiquement. Donc, si vous voulez vous préparer au placement dans l'industrie, suivez des cours en école de commerce sur ces sujets.
MISE À JOUR: Le message original a été écrit en février 2012; ces jours-ci (mars 2014), vous devriez probablement vous appeler "un scientifique des données" plutôt qu'un "statisticien" pour trouver un travail à chaud dans l'industrie ... et mieux apprendre quelques Hadoop à suivre avec cette auto-proclamation.