Francamente, não acho que a lei de grandes números tenha um papel enorme na indústria. É útil entender as justificativas assintóticas dos procedimentos comuns, como estimativas e testes de máxima verossimilhança (incluindo GLMs onipresentes e regressão logística, em particular), o bootstrap, mas essas são questões distributivas, em vez de probabilidade de encontrar problemas de amostra ruins .
Além dos tópicos já mencionados (GLM, inferência, autoinicialização), o modelo estatístico mais comum é a regressão linear; portanto, é necessário um entendimento completo do modelo linear. Você nunca pode executar o ANOVA em sua vida no setor, mas se não o entender, não deve ser chamado de estatístico.
Existem diferentes tipos de indústrias. Na indústria farmacêutica, você não pode ganhar a vida sem ensaios randomizados e regressão logística. Nas estatísticas da pesquisa, você não pode ganhar a vida sem o estimador de Horvitz-Thompson e os ajustes sem resposta. Nas estatísticas relacionadas à ciência da computação, você não pode ganhar a vida sem o aprendizado estatístico e a mineração de dados. Nos grupos de reflexão sobre políticas públicas (e, cada vez mais, estatísticas da educação), você não pode ganhar a vida sem estimadores de causalidade e efeito do tratamento (que, cada vez mais, envolvem ensaios randomizados). Na pesquisa de marketing, você precisa ter uma mistura de antecedentes econômicos com a teoria da medida psicométrica (e não pode aprender nenhuma delas em ofertas típicas do departamento de estatística). A estatística industrial opera com seus próprios paradigmas peculiares de sigma seis, que são remotamente conectados às estatísticas convencionais; uma ligação mais forte pode ser encontrada no projeto do material dos experimentos. O material de Wall Street seria econometria financeira, até o cálculo estocástico. Essas são habilidades MUITO díspares, e o termo "indústria" é ainda mais mal definido do que "academia". Eu não acho que alguém possa afirmar conhecer mais de duas ou três das opções acima ao mesmo tempo.
As principais habilidades, no entanto, que seriam universalmente necessárias no "setor" (o que isso possa significar para você) seriam gerenciamento de tempo, gerenciamento de projetos e comunicação com clientes com menos conhecimento estatístico. Portanto, se você deseja se preparar para a colocação no setor, faça aulas na escola de negócios sobre esses tópicos.
ATUALIZAÇÃO: A postagem original foi escrita em fevereiro de 2012; atualmente (março de 2014), você provavelmente deveria se chamar "cientista de dados" em vez de "estatístico" para encontrar um emprego na indústria ... e aprender melhor alguns Hadoop a seguir com essa autoproclamação.