ตรงไปตรงมาฉันไม่คิดว่ากฎหมายจำนวนมากมีบทบาทอย่างมากในอุตสาหกรรม มันจะเป็นประโยชน์ในการทำความเข้าใจเกี่ยวกับความเชื่อมั่นของกระบวนการทั่วไปเช่นการประเมินความเป็นไปได้สูงสุดและการทดสอบ (รวมถึง GLMs ทุกหนทุกแห่งและการถดถอยโลจิสติกโดยเฉพาะ), bootstrap แต่สิ่งเหล่านี้เป็นปัญหาด้านการกระจายมากกว่าความน่าจะเป็น .
นอกเหนือจากหัวข้อที่กล่าวถึงแล้ว (GLM, Inference, bootstrap) โมเดลทางสถิติที่พบบ่อยที่สุดคือการถดถอยเชิงเส้นดังนั้นจึงต้องมีความเข้าใจอย่างละเอียดเกี่ยวกับตัวแบบเชิงเส้น คุณอาจไม่เคยใช้ ANOVA ในชีวิตอุตสาหกรรมของคุณ แต่ถ้าคุณไม่เข้าใจคุณไม่ควรเรียกนักสถิติ
อุตสาหกรรมมีหลายประเภท ในฟาร์มาคุณไม่สามารถหาเลี้ยงชีพได้หากปราศจากการทดลองแบบสุ่มและการถดถอยโลจิสติก ในสถิติการสำรวจคุณไม่สามารถหาเลี้ยงชีพได้หากไม่มีตัวประมาณ Horvitz-Thompson และการปรับที่ไม่ตอบสนอง ในสถิติที่เกี่ยวข้องกับวิทยาศาสตร์คอมพิวเตอร์คุณไม่สามารถหาเลี้ยงชีพได้หากปราศจากการเรียนรู้เชิงสถิติและการขุดข้อมูล ในนโยบายสาธารณะคิดว่ารถถัง (และเพิ่มขึ้นเรื่อย ๆ , สถิติการศึกษา), คุณไม่สามารถทำมาหากินโดยไม่มีเหตุและการประเมินผลการรักษา (ซึ่งยิ่งเกี่ยวข้องกับการทดลองแบบสุ่ม) ในการวิจัยการตลาดคุณต้องมีพื้นฐานทางเศรษฐศาสตร์ร่วมกับทฤษฎีการวัดทางจิตวิทยา (และคุณสามารถเรียนรู้ได้ทั้งในแผนกสถิติทั่วไป) สถิติอุตสาหกรรมดำเนินงานด้วยกระบวนทัศน์ซิกซิกเฉพาะของตนเองซึ่งเชื่อมโยงกับสถิติกระแสหลัก พันธะที่แข็งแกร่งสามารถพบได้ในการออกแบบวัสดุการทดลอง วัสดุ Wall Street จะเป็นเศรษฐมิติทางการเงินไปจนถึงแคลคูลัสสุ่ม เหล่านี้เป็นทักษะที่แตกต่างกันมากและคำว่า "อุตสาหกรรม" มีการกำหนดไว้ไม่ดีกว่า "วิชาการ" ฉันไม่คิดว่าจะมีใครสามารถอ้างสิทธิ์ได้มากกว่าสองหรือสามข้อในเวลาเดียวกัน
อย่างไรก็ตามทักษะขั้นสูงสุดที่จำเป็นสำหรับการใช้ในอุตสาหกรรมคือสิ่งที่อาจหมายถึงคุณการจัดการเวลาการบริหารโครงการและการสื่อสารกับลูกค้าที่มีสถิติน้อย ดังนั้นหากคุณต้องการเตรียมตัวสำหรับอุตสาหกรรมให้เข้าเรียนในโรงเรียนธุรกิจในหัวข้อเหล่านี้
อัปเดต: โพสต์ต้นฉบับถูกเขียนในเดือนกุมภาพันธ์ 2012 วันนี้ (มีนาคม 2014) คุณอาจเรียกตัวเองว่า "นักวิทยาศาสตร์ด้านข้อมูล" มากกว่า "นักสถิติ" เพื่อหางานที่ร้อนแรงในอุตสาหกรรม ... และเรียนรู้ Hadoop ให้ดีขึ้นเพื่อตามประกาศด้วยตนเอง