统计与大数据分析是两个密切相关但又有所区别的领域。

统计是一门收集、分析、解释和呈现数据的科学，它使用数学理论和模型来描述和预测随机现象。统计广泛应用于科学研究、工程设计、商业分析等许多领域。统计人员需要掌握概率论和统计学的基本知识，并具备一定的数学建模和数据分析能力。

大数据分析则是统计在大数据时代的应用，大数据指数据规模巨大，数据类型多样，数据速度流动快速而必须进行有效处理的基础数据。大数据分析则是指从大量数据中提取有价值信息，进行挖掘和分析，为决策提供支持。大数据分析需要掌握至少一门数据处理技能，如python、R等语言。数据分析师需要熟悉业务，提取有效信息，挖掘数据价值等方面的工作能力。

总的来说，统计与大数据分析是相辅相成的，统计是大数据分析的基础，而大数据分析则是统计在大数据时代的应用和发展。

统计与大数据分析密切相关，因为统计是大数据分析的基础。在大数据分析中，统计方法用于从大数据中提取有用的信息和知识。以下是与统计与大数据分析相关的信息：

1. 数据挖掘：数据挖掘是从大量数据中提取有价值的、有用的信息和知识的过程。统计方法，如分类、聚类和回归，用于从大数据中识别模式和趋势。

2. 预测分析：预测分析是使用历史数据和统计方法来预测未来的趋势和可能性。这包括时间序列分析、机器学习和人工智能技术，如深度学习。

3. 决策支持：统计方法用于评估决策的风险和回报，提供有关选择的信息。这包括敏感性分析、决策树和贝叶斯分析。

4. 质量控制：通过统计方法，如六西格玛和帕累托分析，可以识别过程中的问题和改进的机会。

5. 用户体验优化：大数据分析可以提供有关用户行为和偏好的信息，从而优化用户体验。统计方法，如A/B测试和用户反馈分析，用于评估和改进产品或服务。

6. 市场营销：通过大数据分析和统计方法，企业可以更好地理解市场趋势和消费者行为，从而制定更有效的营销策略。

7. 金融领域：在金融领域，大数据分析和统计方法用于识别市场趋势、预测股票价格和风险管理。

总的来说，统计是大数据分析的基础，它提供了从大数据中提取有用信息和知识的方法。通过数据挖掘、预测分析、决策支持、质量控制、用户体验优化、市场营销和金融领域的应用，统计与大数据分析在许多领域都有广泛的应用。

统计与大数据分析的变化主要体现在以下几个方面：

1. 数据来源的变化：传统的统计数据主要来源于实验室、现场调查、观察和实验等，而大数据则来源于互联网、物联网、传感器等新的数据源。这些数据源不仅数据量庞大，而且数据类型繁多，包括结构化数据、半结构化数据和非结构化数据等。

2. 分析方法的变化：大数据分析方法从传统的抽样调查、统计分析到复杂的数据挖掘、机器学习、人工智能、可视化技术等，分析的深度和广度都有了极大的提升。例如，数据挖掘技术可以从大量的数据中提取有用的信息，帮助人们更好地理解数据。

3. 统计与大数据的联系加强：统计是大数据分析的基础，大数据的分析离不开统计学的支撑。在大数据时代，统计学需要更加注重数据的实时性、复杂性和多样性，以更好地适应大数据的分析需求。

4. 对数据处理能力的要求提高：大数据的处理需要高性能的计算机硬件和软件系统，需要强大的存储和计算能力，云计算和人工智能技术在这个方面发挥了重要的作用。

5. 对数据分析人才的要求提高：大数据分析需要既懂统计学又懂业务领域的复合型人才。数据分析师需要具备数据搜集、数据整理、数据分析、数据挖掘等能力，能够根据业务需求从数据中提炼有价值的信息，为决策提供支持。

总的来说，统计与大数据分析在数据来源、分析方法、统计与大数据的关系、数据处理能力和对人才要求等方面都发生了显著的变化。