¿Qué áreas de la estadística matemática son altamente empleables?

Question

Estoy a punto de terminar mi licenciatura en estadística, y realmente quiero hacer un doctorado porque la estadística matemática me parece extremadamente interesante. Las áreas de investigación en las que más quiero hacer el doctorado son los procesos estocásticos y las series temporales.

Sin embargo, también quiero seguir una carrera en el sector privado después de mi doctorado. Me preguntaba qué áreas de la estadística matemática se utilizan más en el sector privado y en qué tipos de trabajos.

Obviamente no voy a hacer un doctorado sólo porque sea empleable, pero siento que es definitivamente algo que debo considerar y por eso me gustaría algún consejo.

Answer 1

Yo estoy respondiendo como alguien que evalúa periódicamente y contrata a los científicos de datos.

Como una persona de la transición de los estudios académicos, en un sector privado de la carrera, no vas a ser contratado en la fuerza de cualquier habilidad específica que usted tiene. El mundo de los académicos en las estadísticas, y el dominio de cualquier compañía del conjunto de problemas que son demasiado grandes para contratar sobre la base de muy precisamente definidos específico de aptitudes.

En su lugar, usted va a ser contratado porque se puede demostrar una aptitud general para precisión de pensamiento, una sed y un talento para la resolución de problemas, capacidad para comprender y comunicarse abstracto y complejo de ideas, y un conjunto diverso de destrezas prácticas y teóricas.

Así que, mi consejo, y yo sólo soy un chico, hacer lo que te gusta y desarrollar una sed para solucionar el problema, los matices y la complejidad. Aprender un conjunto diverso de habilidades y conocer sus fundamentos bien (mejor que su tema de investigación)

Ah, y aprender a programar.

Que hace un montón de sentido, muchas gracias por la respuesta reflexiva. ¿Hay algún lenguajes de programación te recomiendo

Pregunta difícil de responder sin ser obstinado.

Mi opinión personal es que no importa realmente, por lo que aprender el uno que te guste y que te motiva a seguir aprendiendo. El aprendizaje de su lengua materna realmente bien es el gran obstáculo. Después de la primera aprendizaje de otra (y otra, y otra) es mucho, mucho más fácil porque ya han sido tratados con el duro desafíos conceptuales.

Pero aprender el idioma bien, aprender cómo funciona el lenguaje y por qué se ha diseñado de la manera que fue. Escribir código limpio que no tienen miedo de regresar. Tomar la escritura de código como una grave responsabilidad, no una realidad lamentable. Esto hace que sea más gratificante, y una habilidad real, usted puede publicar.

Si usted todavía desea asesoramiento específico, yo le echo @ssdecontrol, prefieren el propósito general de la lengua que puede hacer estadísticas sobre estadísticas de un lenguaje que se puede (un poco) de propósito general.

Answer 2

Si lo que te interesa son las habilidades "comercializables", yo diría que aprendas sobre una variedad de técnicas de modelado (GLMs, modelos de supervivencia tanto continuos como discretos, bosques aleatorios, árboles potenciados) con énfasis en la predicción sobre la estimación. La estadística matemática puede, en ocasiones, enfrascarse demasiado en la estimación bajo modelos paramétricos, tratando de responder a preguntas que se vuelven irrelevantes cuando el modelo no es literalmente cierto. Así que, antes de profundizar en un problema, considere si sigue siendo interesante y aplicable cuando el modelo no se cumple, porque nunca lo hará. Debería poder encontrar muchas preguntas de este tipo en el campo de las series temporales, si es ahí donde radica uno de sus intereses.

También hay que tener en cuenta que el análisis de datos del mundo real plantea retos para los que una formación estadística por sí sola no puede prepararte, por lo que yo consideraría complementar tu formación con el estudio de temas como las bases de datos relacionales y la computación general. Estos campos también pueden ser muy fascinantes y ofrecen una perspectiva refrescante de los datos.

Por último, como ya señaló Matthew Drury, es esencial saber programar. Yo trabajaría para hacerme fuerte con R y/o Python, y empezaría a aprender sobre SQL, con el que te encontrarás inevitablemente. Muchas empresas siguen utilizando SAS, pero ¿realmente quieres trabajar en una? Un lenguaje compilado como C o Java tampoco está de más, pero esto no es realmente crítico.

Answer 3

Como alguien que pasó su carrera postdoctoral en la industria, diría esto.

1. La respuesta de Matthew Drury es de primera clase. Las observaciones de dsaxton sobre la predicción frente a la estimación también son buenas.
2. Aprende a programar usando lo que te ayude a pasar por la escuela de posgrado con rapidez. Hazlo bien. Una vez que domines un idioma, es fácil aprender otros y probablemente puedas hacerlo a costa de tu empleador.
3. Las bases de datos no van a ser más pequeñas, y probablemente no serán más limpias. Yo diría que las técnicas para tratar con datos gigantescos, desordenados y ausentes son una apuesta decente en las próximas dos o tres décadas.

Answer 4

La mayoría de las respuestas actuales están orientadas a la "ciencia de los datos", que es sin duda un área altamente empleable. Dado que el cartel original mencionó un interés particular en los procesos estocásticos y las series temporales, otra área de la estadística matemática* que puede ser relevante es estimación del espacio de estado .

Se utiliza para estimar modelos en los que el sistema evoluciona debido a la retroalimentación entre procesos (cuasi) deterministas altamente estructurados y forzamientos estocásticos. Por ejemplo, la estimación del espacio de estados es omnipresente en vehículos autónomos .

(*Esta área se considera comúnmente como parte de la ingeniería, u otra dominios pero ciertamente involucra la estadística matemática).

Answer 5

No sugeriría algo radicalmente nuevo, pero como profesional de la búsqueda de datos, me gustaría hacer hincapié en algunos puntos.

1. Todas las habilidades comercializables no son sólo un conjunto de habilidades aisladas, sino que son todo un paquete sincronizado. Y por paquete, quiero decir,

2. Un conjunto de habilidades prácticas, con una competencia extremadamente alta. Como si pudieras formarte un juicio significativo ante un montón de datos. Y para un tipo de nivel de doctorado (o para cualquiera que se acerque a ellos) los empleadores estarían más interesados en aportar la coincidencia cognitiva del mundo real que puedes aportar con un conjunto de datos dado. Para aclarar, como un ejemplo,

3. El conjunto de habilidades que puede emplear para la extracción de datos de la API, la escritura de códecs y controladores en el proceso si usted ha encontrado el proceso inflexible en la medida en que puede no ser capaz de comprometer su pleno potencial a la misma. A continuación, utilice elementos del análisis estadístico para una transformación de los datos en información. Este proceso es tan crudo y tan auténtico que cuanto más diverso y profundo sea tu aprendizaje, mejor será la información que puedas recuperar. Una vez me dijeron que dominar las matemáticas que pueden dar una respuesta al problema es una cosa, pero interpretar esa respuesta en el mundo real, es otra habilidad.

4. Por último, y extremadamente importante, ¿puedes presentar visualizaciones de tus conclusiones para que todo el mundo las vea y las entienda sin que nadie que no sea de tu especialidad haga más de 3 preguntas de seguimiento? Y aquí es donde usted estaría dando su analogía con el proceso(s) del mundo real. Es un poco difícil, pero una vez dominado, suele dar buenos dividendos, a lo largo de tu carrera.

Por todo ello, desde mi punto de vista, un consejo útil es preguntarse constantemente mientras se estudian cosas nuevas cómo se pueden emplear en el mundo real. Sí, a veces resulta incómodo cuando uno se adentra en las abstracciones, pero, no obstante, es un hábito que merece la pena, y a menudo separa a los superempleables de los que sólo tienen una gran formación. Buena suerte.