확률과 통계에서 이항분포와 정규분포를 배우며 가장 먼저 떠오른 질문은, 교과서에서 말하는 정규근사가 실제 데이터 분석에서는 언제까지 타당한가 하는 점이었다. 교과서에서는 반복 시행의 성공 횟수를 이항분포로 설명하고, 시행 횟수가 충분히 크면 이를 정규분포로 가까이 볼 수 있다고 정리한다. 그런데 실제 데이터사이언스에서는 클릭 수처럼 성공/실패가 분명한 반응 데이터를 빠르게 해석해야 하므로, 단순히 “크면 근사 가능하다”는 문장만으로는 모델 선택 기준이 부족하다고 느꼈다. 이번 탐구의 출발점은 클릭률 예측에서 정규근사가 편리하다는 사실보다, 그 편리가 언제 신뢰 가능한지 직접 따져 보고 싶다는 문제의식이었다.

특히 광고 추천이나 뉴스 배열에서는 같은 클릭률이라도 노출 수가 다르면 해석이 달라질 수 있다. 예를 들어 클릭률이 5%인 캠페인이라도 노출 수가 40회인 경우와 4000회인 경우는 클릭 수의 흔들림 크기가 전혀 같지 않다. 겉으로는 같은 비율처럼 보여도, 실제로는 분포의 모양과 확률 계산의 정밀도가 달라져 예측 결과 해석에 차이가 생긴다. 이런 점에서 평균만 보는 해석은 불충분하고, 분포 자체를 함께 보는 시각이 필요하다고 판단했다.

또한 처음에는 “표본이 많아지면 무조건 정규분포로 바꾸어 계산해도 된다”고 단순하게 생각했다. 그러나 이항비율 추정과 근사 방법을 다룬 연구에서는 표본 크기뿐 아니라 성공확률 $p$의 치우침 정도가 근사 적합성에 큰 영향을 준다고 설명한다^[1]. 즉 클릭률이 매우 낮거나 매우 높은 상황에서는 시행 횟수가 늘어나도 정규근사 오차가 무시되지 않을 수 있다. 나는 정규근사의 성립 여부가 $n$ 하나로만 결정되지 않고, $p$와 함께 보아야 한다는 점에서 교과 개념을 더 정교하게 이해할 필요를 느꼈다.

이 주제가 흥미로웠던 이유는 수학적 개념이 실제 디지털 서비스의 판단 기준으로 바로 연결되기 때문이다. 클릭 데이터는 데이터사이언스에서 매우 대표적인 이항 자료이며, 추천 시스템 성능 평가나 알림 발송 최적화에서도 핵심 지표로 쓰인다. 여러 이항자료를 다룰 때 비율 자체의 추정과 변환, 안정적 해석이 중요하다는 점도 선행 연구에서 강조된다^[2]. 결국 이 탐구는 단순히 분포의 공식을 비교하는 것이 아니라, 어떤 상황에서 어떤 모델을 선택해야 해석 오류를 줄일 수 있는지 살피는 과정이다.

따라서 이번 보고서에서는 교과서의 이항분포의 평균과 표준편차, 정규분포의 연속적 성격, 이항분포의 정규근사 조건을 먼저 정리한 뒤, 이를 클릭률 예측 상황에 적용해 보려 한다. 이후 시행 횟수 $n$과 성공확률 $p$를 바꾸면서 이항분포의 정확한 값과 정규근사값이 얼마나 달라지는지 비교하고, 그 차이가 데이터 해석에 어떤 영향을 주는지 분석할 것이다. 질문은 단순하다: 클릭 데이터는 언제 정규분포처럼 다루어도 되는가, 그리고 언제는 그렇게 하면 안 되는가.

교과서에서 배우는 이항분포는 같은 조건에서 독립적으로 반복되는 시행에서 성공 횟수를 나타내는 확률분포이다. 클릭 데이터에 대응시키면, 한 번의 노출에서 사용자가 클릭하면 성공, 클릭하지 않으면 실패로 볼 수 있으므로 각 노출은 베르누이 시행이 된다. 노출 횟수를 $n$, 클릭 확률을 $p$라고 하면 클릭 수 $X$는 이항분포를 따른다고 볼 수 있다. 즉 클릭 수는 우연한 값이 아니라, 반복 시행 구조를 가진 확률변수로 해석할 수 있다는 점이 이 단원의 핵심이다.

이항분포의 평균과 표준편차는 해석의 중심이 된다. 평균은 기대되는 클릭 수의 중심을, 표준편차는 실제 클릭 수가 그 주변에서 얼마나 흔들릴 수 있는지를 나타낸다. 교과 개념에 따라 $X \sim B(n,p)$일 때 평균과 분산은 다음과 같이 정리된다.

여기서 $E(X)$는 기대 클릭 수, $V(X)$는 클릭 수의 분산, $\sigma$는 표준편차이다. 이 식들은 클릭률 해석에서 평균만이 아니라 변동성까지 함께 보아야 한다는 기준을 제공한다.

반면 정규분포는 연속확률분포로, 평균을 중심으로 좌우 대칭인 종 모양의 분포를 가진다. 교과서에서는 실제 자료의 분포나 큰 규모의 합산 결과를 설명할 때 정규분포가 자주 사용된다고 소개한다. 이항분포와 직접 연결되는 지점은, 시행 횟수가 커질수록 이산적인 막대 모양의 분포가 점차 매끄러운 곡선에 가까워진다는 사실이다. 즉 정규분포는 이항분포를 대체하는 별개의 개념이 아니라, 특정 조건에서 이항분포를 근사적으로 설명하는 도구로 이해해야 한다.

이 관계를 수학적으로 보면, $n$이 충분히 크고 $p$가 0이나 1에 지나치게 치우치지 않을 때 $X$는 평균 $n \cdot p$, 분산 $n \cdot p \cdot (1-p)$를 갖는 정규분포로 근사할 수 있다. 보통 교과 수준에서는 $n \cdot p$와 $n \cdot (1-p)$가 모두 충분히 클 때 근사가 가능하다고 정리한다. 이를 표로 정리하면 다음과 같다.

섹션 4의 연구 질문은 바로 이 교과 개념, 특히 $n \cdot p$와 $n \cdot (1-p)$의 크기가 근사 타당성을 좌우한다는 점에서 직접 출발한다.

또 하나 중요한 점은 클릭률 자체를 볼 때 클릭 수 $X$뿐 아니라 비율 $\hat{p}=\frac{X}{n}$의 해석도 필요하다는 것이다. 이항비율의 추정은 표본 크기와 비율의 극단성에 따라 정확도가 달라지며, 단순한 정규근사가 항상 안정적이지 않다는 점이 통계 연구에서 지적된다^[1]. 여러 이항자료를 합쳐 해석할 때도 비율의 분산 안정화와 적절한 변환이 중요하다는 논의가 있다^[2]. 따라서 이항분포와 정규분포의 관계는 공식 암기가 아니라, 어떤 데이터 조건에서 어떤 추정과 해석이 가능한지 판단하는 기준으로 이해해야 한다.

데이터사이언스에서 클릭 데이터는 가장 기본적이면서도 영향력이 큰 자료이다. 사용자가 광고를 클릭했는지, 추천 기사를 눌렀는지, 알림을 열어 보았는지는 모두 두 가지 결과만 갖는 반응 변수로 기록된다. 따라서 각 노출을 성공과 실패로 구분하는 이항모형은 실제 서비스 데이터를 해석하는 첫 번째 수학적 틀이 된다. 교과서에서 배운 이항분포는 추상적인 문제풀이 도구가 아니라, 데이터사이언스에서 사용자의 반응을 정량화하는 직접적인 언어라고 볼 수 있다.

예를 들어 한 광고가 하루 동안 1000번 노출되고 그중 40번 클릭되었다면, 단순히 클릭률 4%라고 말하는 것만으로는 충분하지 않다. 이 수치가 우연한 흔들림 안에 있는지, 다른 광고와 비교해 의미 있는 차이인지 판단하려면 분포를 고려해야 한다. 이때 $X \sim B(n,p)$로 두고 기대 클릭 수와 표준편차를 계산하면, 관측된 결과가 예상 범위 안에 있는지 분석할 수 있다. 즉 클릭률 비교의 핵심은 단순 비율 나열이 아니라, 노출 수와 변동성을 함께 고려한 확률분포적 해석에 있다.

실무에서는 계산 속도와 해석 편의 때문에 정규근사가 자주 사용된다. 노출 수가 매우 큰 플랫폼에서는 매번 정확한 이항확률을 계산하기보다 정규분포를 이용해 대략적인 예측 범위를 빠르게 산출하는 것이 효율적이다. 그러나 클릭률이 1% 이하로 매우 낮은 광고나, 테스트 기간이 짧아 노출 수가 적은 캠페인에서는 정규근사가 실제보다 부정확한 판단을 만들 수 있다. 따라서 데이터사이언스에서 중요한 역량은 복잡한 모델을 많이 아는 것보다, 현재 데이터 조건에서 어떤 근사가 안전한지 판별하는 능력이다.

이 관점은 선행 연구와도 연결된다. Brown, Cai, Dasgupta는 이항비율 추정에서 단순 정규근사 방식이 특정 구간에서 신뢰구간 성능이 좋지 않을 수 있음을 지적하며, 표본 크기와 비율의 위치를 함께 고려해야 함을 보여 주었다^[1]. 또한 Nyaga 등은 여러 이항자료를 통합 분석할 때 비율 자료의 특성상 직접적인 정규성 가정이 불안정할 수 있어, 적절한 분석 틀이 필요하다고 설명한다^[2]. 선행 연구가 말하는 공통된 메시지는, 이항자료를 다룰 때 정규분포를 쓰더라도 그 전제가 자동으로 충족되는 것은 아니라는 점이다.

이러한 연구 흐름을 바탕으로 보면, 본 탐구의 연구 갭도 분명해진다. 교과서에서는 이항분포와 정규분포의 관계를 개념적으로 소개하지만, 클릭률처럼 작은 $p$가 자주 등장하는 실제 데이터 상황에서 어느 정도의 $n$이면 근사가 실용적으로 가능한지까지는 자세히 다루지 않는다. 또한 같은 $p$라도 캠페인 규모가 다를 때 오차가 어떻게 달라지는지 비교하는 활동도 부족하다. 그래서 본 탐구는 교과 개념을 실제 클릭 데이터 맥락에 옮겨, 모델 선택 기준을 학생 수준에서 구체적으로 재구성하려는 시도라는 점에서 진로 연계성이 크다.