1. 서론

1.1 탐구 동기

야생동물 보전에서 가장 먼저 확인해야 할 사실은 해당 종이 실제로 어느 정도 존재하는가이다. 그러나 시베리아호랑이로 널리 알려진 아무르호랑이는 서식 밀도가 낮고 행동권이 넓으며 사람의 눈에 직접 드러나는 경우가 드물어, 단순한 현장 관찰만으로 개체수를 파악하기 어렵다. 이런 이유로 보전 현장에서는 카메라 트랩을 설치해 장기간 출현 기록을 수집하는 방식이 널리 쓰인다. 사진으로 남는 자료는 객관적으로 보이기 쉽지만, 촬영된 개체 수가 실제 존재 개체 수와 같다고 바로 말할 수는 없다. 같은 지역에 같은 수의 호랑이가 있어도 카메라 위치, 이동 경로, 활동 시간, 식생 밀도, 장비 성능에 따라 기록되는 수가 달라질 수 있기 때문이다.

이 지점에서 확률과 통계의 개념이 필요하다고 느꼈다. 관측되지 않았다는 사실은 존재하지 않는다는 사실과 다르며, 이 둘을 구분하지 않으면 조사 자료를 해석하는 과정에서 구조적인 오류가 생길 수 있다. 특히 카메라 트랩 자료는 모집단 전체를 직접 본 결과가 아니라, 불완전한 관측 과정을 통과해 얻은 표본 자료에 가깝다. 따라서 단순히 찍힌 수를 세는 것만으로는 충분하지 않고, 그 수가 어떤 확률적 조건 아래 생성되었는지를 함께 살펴야 한다. 이러한 문제는 학교에서 배우는 모집단과 표본, 조건부확률, 기대값, 분산, 추정의 개념과 자연스럽게 연결된다.

처음에는 야생동물 보전이 생명과학이나 지리 영역의 주제로만 보였지만, 자료를 살펴볼수록 실제 판단의 핵심에는 수학적 해석이 놓여 있다는 점이 흥미로웠다. 예를 들어 어떤 해의 사진 기록 수가 전년도보다 줄었다고 해도, 그것이 실제 개체군 감소 때문인지 검출확률 감소 때문인지는 별도의 분석 없이는 구분하기 어렵다. 이처럼 겉으로 드러난 숫자와 실제 상태가 다를 수 있다는 점에서, 카메라 트랩 자료는 확률과 통계의 사고를 적용하기에 적절한 주제라고 판단하였다.

1.2 연구 목적

본 연구의 목적은 카메라 트랩 조사에서 검출확률의 차이가 시베리아호랑이 관측 개체 수와 개체수 추정에 어떤 편향을 유발하는지 확률과 통계의 언어로 분석하는 데 있다. 이를 위해 실제 개체 수를 20마리로 고정한 가상 모집단을 설정하고, 각 개체가 카메라에 기록될 확률을 여러 수준으로 달리한 뒤 반복 관측 자료를 구성하였다. 이후 각 조건에서 평균 관측 개체 수, 표준편차, 이론적 기대값과의 차이, 과소추정 비율을 비교해 검출확률 저하가 어떤 규모의 왜곡을 낳는지 확인하였다.

연구 질문은 세 가지로 정리할 수 있다. 첫째, 실제 개체 수가 같더라도 검출확률이 달라질 때 평균 관측 개체 수는 어느 정도 달라지는가. 둘째, 검출확률이 낮을수록 관측값의 변동성과 추정 오차는 어떤 방향으로 바뀌는가. 셋째, 이러한 편향이 보전 정책에서 개체군 감소 판단, 보호 우선순위 설정, 모니터링 성과 평가에 어떤 영향을 줄 수 있는가. 이 질문을 통해 본 연구는 숫자 자체보다 숫자가 형성된 구조를 해석하는 데 초점을 둔다.

2. 이론적 배경

2.1 모집단, 표본, 추정의 관점

확률과 통계에서 모집단은 조사 대상 전체를 뜻하고, 표본은 그 일부를 추출하거나 관측해 얻은 자료를 뜻한다. 시베리아호랑이 개체수 문제에서 모집단은 특정 서식지에 실제로 존재하는 전체 호랑이 집단이며, 카메라 트랩 자료는 이 집단에 대한 부분적 관측 결과다. 여기서 중요한 점은 이 표본이 단순 무작위 추출이 아니라, 카메라가 설치된 위치와 조사 기간, 동물의 이동 행동이라는 여러 제한을 통과한 결과라는 사실이다. 따라서 카메라 트랩 자료는 표본이기는 하지만, 대표성이 자동으로 보장되는 표본은 아니다.

표본평균은 표본 자료의 중심을 나타내는 대표값이며, 보통 모집단의 평균적 특성을 추정하는 출발점이 된다. 그러나 관측 과정에 체계적인 편향이 존재하면 표본평균이 안정적이라 하더라도 그 값은 모집단의 실제 상태를 정확히 반영하지 못할 수 있다. 즉, 표본의 수가 많아지는 것만으로는 해결되지 않는 문제가 있다. 카메라 트랩 자료에서는 개체가 실제로 존재해도 찍히지 않을 수 있으므로, 관측된 평균은 존재의 평균이 아니라 검출을 통과한 평균이라고 보아야 한다. 이런 차이를 분명히 인식할 때만 추정의 정확도와 정밀도를 구분할 수 있다.

2.2 검출확률과 조건부확률

본 연구의 핵심 개념은 검출확률이다. 검출확률은 특정 개체가 실제로 서식지에 존재할 때 카메라에 기록될 확률로 정의할 수 있으며, 기호로는 $P(\text{관측됨}|\text{존재함})$로 나타낼 수 있다. 이 값이 1이면 존재하는 개체가 모두 기록되므로 관측 수와 실제 수가 일치한다. 그러나 실제 현장에서는 지형, 기상, 활동 시간대, 이동 경로, 카메라 시야의 제약 등으로 인해 이 확률이 1보다 작다. 따라서 관측 자료는 필연적으로 일부 누락을 포함한다.

여기서 특히 주의해야 할 점은 $P(\text{관측됨}|\text{존재함})$와 $P(\text{존재함}|\text{관측됨})$가 서로 다른 확률이라는 사실이다. 전자는 존재하는 개체가 얼마나 잘 찍히는지를 나타내는 확률이고, 후자는 사진이 찍혔을 때 그 대상이 실제로 존재한다고 판단할 확률이다. 카메라 트랩에서는 사진 기록이 실제 존재를 강하게 시사하므로 후자는 높게 해석될 수 있다. 반면 보전 판단에서 더 중요한 것은 전자다. 왜냐하면 관측 실패를 부재로 오인하면 실제보다 적은 개체수 추정이 이루어지기 때문이다. 조건부확률의 방향을 바꾸어 해석하는 순간 결론 전체가 달라질 수 있다는 점에서, 이 구분은 단순한 기호상의 차이가 아니라 해석상의 핵심이다.

2.3 이항분포 기반 관측 모델

각 호랑이 개체가 서로 독립적으로 일정한 확률 $p$로 카메라에 관측된다고 가정하면, 전체 관측 개체 수 $X$는 이항분포 $B(n,p)$를 따른다. 여기서 $n$은 실제 개체 수이고 $p$는 검출확률이다. 본 연구에서는 $n=20$으로 고정하고 $p$를 0.30, 0.45, 0.60, 0.75, 0.90의 다섯 수준으로 변화시켰다. 각 개체는 관측되거나 관측되지 않거나 두 결과 중 하나를 가지므로, 이항분포는 이 문제를 단순하면서도 선명하게 설명해 준다.

이항분포의 기댓값은 $E(X)=np$이고 분산은 $V(X)=np(1-p)$이다. 이 식은 평균 관측 개체 수가 실제 개체 수와 검출확률의 곱으로 결정된다는 점을 보여준다. 예를 들어 실제로 20마리가 존재하고 검출확률이 0.30이면 기대되는 평균 관측 수는 $20\times0.30=6$마리다. 같은 방식으로 $p=0.90$이면 기대 관측 수는 18마리가 된다. 이 관계는 선형적이므로 검출확률 변화가 평균 관측 수에 직접적인 영향을 준다. 분산의 식은 평균만이 아니라 흔들림의 크기도 함께 고려해야 함을 보여준다. 즉, 조사 결과가 적게 나오는지 아닌지만 볼 것이 아니라, 같은 조건에서 관측값이 얼마나 요동치는지까지 살펴야 한다.

물론 이항분포 모형은 현실을 단순화한 것이다. 실제 현장에서는 개체마다 행동권과 이동 습성이 다르며, 어떤 개체는 특정 길목을 자주 지나가고 어떤 개체는 거의 지나가지 않을 수 있다. 또한 조사 기간 동안 환경 조건도 변하고, 동일 개체가 반복 기록될 수 있으며, 식별 과정에서 오류가 생길 수 있다. 그럼에도 불구하고 이항분포는 검출확률이 관측 수를 어떻게 구조적으로 바꾸는지 확인하는 1차 모형으로 충분한 의미가 있다.

2.4 불완전 검출과 보전 해석의 문제

카메라 트랩 조사에서 불완전 검출은 예외적인 현상이 아니라 조사 구조의 기본 특성에 가깝다. 카메라가 설치된 위치는 전체 서식지의 일부에 불과하며, 장비 수는 제한적이고, 동물의 움직임은 연구자가 완전히 통제할 수 없다. 특히 호랑이처럼 넓은 행동권을 가진 대형 포유류는 카메라 배치가 조금만 달라져도 기록 빈도가 크게 달라질 수 있다. 계절에 따른 이동 경로 변화와 식생 밀도 차이까지 고려하면, 같은 지역이라도 연도별 검출확률이 달라질 가능성이 높다.

이 문제는 보전 정책과 직접 연결된다. 어떤 연도에 촬영 수가 줄었다고 해서 실제 개체군이 감소했다고 단정하면 오판의 가능성이 생긴다. 카메라 고장, 설치 위치 변경, 조사 일수 축소, 눈 덮임과 같은 환경 차이만으로도 관측 수는 달라질 수 있기 때문이다. 따라서 카메라 트랩 자료를 해석할 때에는 숫자의 증감만이 아니라 숫자를 만든 조사 조건을 함께 점검해야 한다. 본 연구는 이러한 구조를 고등학교 수준의 확률과 통계 개념으로 설명하고자 한다.

3. 연구 방법

3.1 연구 설계

본 연구는 실제 현장 전수조사 대신 가상 데이터 기반의 모의 연구 설계를 채택하였다. 실제 시베리아호랑이 서식지에서 검출확률만을 독립적으로 조절하는 실험은 현실적으로 어렵고, 여러 환경 요인이 동시에 작용해 한 변수의 효과를 분리해 보기 힘들기 때문이다. 따라서 핵심 변수인 검출확률의 효과를 선명하게 보기 위해 실제 개체 수를 고정하고, 검출확률만 변화시키는 방식으로 시나리오를 구성하였다. 이러한 설계는 현실을 단순화하지만, 변수 사이 관계를 명료하게 드러낸다는 장점이 있다.

독립변수는 검출확률 $p$이고, 종속변수는 각 조사에서 관측된 개체 수 $X$이다. 통제변수로는 실제 개체 수를 20마리로 고정하고, 조사 기간과 카메라 배치 조건이 동일하다고 가정했으며, 개체 식별 오류는 없다고 설정했다. 연구 가설은 검출확률이 낮아질수록 평균 관측 개체 수는 실제 개체 수보다 더 크게 과소추정되며, 과소추정 비율 또한 증가한다는 것이다.

3.2 자료 구성과 분석 절차

검출확률은 0.30, 0.45, 0.60, 0.75, 0.90의 다섯 수준으로 설정하였다. 이는 낮은 검출 환경에서 높은 검출 환경까지 비교하기 위한 구간이다. 각 조건마다 8회의 반복 조사를 가정하여 총 40개의 관측값을 사용하였다. 반복 횟수를 일정하게 맞춤으로써 조건별 평균과 분산을 비교하기 쉽게 하였다.

분석 절차는 세 단계로 진행하였다. 먼저 카메라 트랩 자료가 왜 실제 개체수와 일치하지 않을 수 있는지 이론적으로 정리하였다. 다음으로 실제 개체 수를 20으로 고정한 상태에서 검출확률만 달리한 다섯 시나리오를 구성하고, 각 시나리오별 반복 관측값을 배치하였다. 마지막으로 평균 관측 개체 수, 표준편차, 이론적 기대값 $20p$, 평균 오차, 과소추정 비율을 계산해 비교하였다. 과소추정 비율은 $((20-\text{평균 관측 수})/20)\times100$으로 정의하였다. 이 값은 관측 자료를 그대로 해석할 경우 실제 개체 수에 비해 어느 정도 축소된 결론에 도달할 수 있는지를 보여 준다.

4. 결과

검출확률 수준별 원시 데이터는 다음과 같다.

원시 자료를 요약한 통계량은 다음과 같다.

검출확률이 증가함에 따라 평균 관측 개체 수는 6.50마리, 8.75마리, 11.75마리, 14.75마리, 17.75마리로 꾸준히 증가하였다. 각 평균은 대응되는 이론적 기대값 6.00, 9.00, 12.00, 15.00, 18.00과 매우 가깝게 나타났다. 평균 오차가 크지 않다는 점에서 본 모의 자료는 이항분포 기반 기대 구조를 대체로 잘 반영한다고 볼 수 있다.

위 그래프는 검출확률이 높아질수록 평균 관측 개체 수가 거의 선형적으로 증가함을 보여 준다. 실제 개체 수가 동일해도 검출 구조가 달라지면 관측된 숫자만으로는 전혀 다른 규모의 집단처럼 보일 수 있다.

조건별 표준편차는 약 1.58에서 1.67 사이로 나타났고, 관측 범위는 검출확률이 낮은 조건에서는 4~9, 높은 조건에서는 15~20으로 이동하였다. 이는 단순히 평균만 달라지는 것이 아니라, 관측되는 값의 전체 위치 자체가 바뀐다는 뜻이다. 예를 들어 $p=0.30$ 조건에서 평균 6.50마리가 관측되었다는 사실만 보면, 실제 20마리 집단을 매우 작은 개체군으로 오해할 가능성이 생긴다. 반면 $p=0.90$ 조건에서는 같은 집단이 17.75마리 수준으로 보이므로 훨씬 안정적인 집단처럼 해석될 수 있다. 실제 모집단은 동일한데 관측 구조만 달라졌다는 점이 결과 해석에서 가장 중요하다.

과소추정 비율은 검출확률이 낮을수록 크게 나타났다. $p=0.30$에서는 67.50%, $p=0.45$에서는 56.25%, $p=0.60$에서는 41.25%, $p=0.75$에서는 26.25%, $p=0.90$에서는 11.25%였다. 검출확률이 0.30인 조사에서는 실제 개체 수의 약 3분의 2가 관측되지 않은 채 남는 셈이며, 0.90으로 높아져도 여전히 완전한 일치는 이루어지지 않았다.

위 그래프는 검출확률이 증가할수록 과소추정 비율이 뚜렷하게 감소함을 보여 준다. 다만 높은 검출확률에서도 일정한 과소추정이 남기 때문에, 관측값을 실제값으로 곧바로 읽는 해석은 여전히 주의가 필요하다.

검출확률과 평균 관측 개체 수의 관계를 보면 거의 선형적 증가 패턴이 확인된다. 검출확률이 0.15씩 증가할 때 평균 관측 개체 수는 대체로 2마리에서 3마리 정도 늘어났다. 이는 $E(X)=20p$라는 식과 일치하는 흐름이다. 따라서 본 연구에서는 검출확률이 평균 관측 수를 결정하는 핵심 요인으로 작동한다고 해석할 수 있다.

5. 논의 및 결론

본 연구 결과는 카메라 트랩 자료가 실제 개체군 상태를 직접 보여 주는 수치가 아니라, 검출확률이라는 확률 구조를 통과한 뒤 얻어진 값임을 분명하게 보여 준다. 실제 개체 수를 20마리로 고정한 상황에서도 검출확률이 0.30일 때 평균 관측 개체 수는 6.50마리였고, 0.90일 때는 17.75마리였다. 동일한 집단을 대상으로 하더라도 조사 조건의 차이만으로 완전히 다른 규모의 개체군처럼 해석될 수 있다는 뜻이다. 따라서 카메라에 얼마나 많이 찍혔는가만으로 개체군의 건강성이나 멸종 위험을 판단하는 것은 통계적으로 불완전하다.

이 결과는 이항분포의 기대값 구조와도 잘 맞아떨어진다. 평균 관측 개체 수가 거의 $20p$에 비례해 증가한 것은, 각 개체의 관측 여부를 독립 시행으로 보는 단순 모형이 1차 분석에서는 설명력을 가진다는 점을 보여 준다. 교과 개념으로 보면 이는 표본 자료가 모집단을 그대로 옮겨 놓은 것이 아니라, 추출과 관측 메커니즘의 영향을 받는 결과라는 사실을 드러낸다. 다시 말해 표본평균은 중요하지만, 표본이 어떻게 생성되었는지를 보지 않으면 그 평균의 의미를 잘못 해석할 수 있다.

특히 조건부확률의 방향을 혼동할 때 발생하는 오류는 보전 현장에서 심각한 판단 착오로 이어질 수 있다. 연구자가 실제로 알아야 하는 것은 $P(\text{관측됨}|\text{존재함})$인데, 관측 자료만을 보고 존재 여부를 단정하면 관측 실패를 곧 부재로 읽게 된다. 본 연구의 $p=0.30$ 조건은 이 위험을 잘 보여 준다. 평균적으로 6.50마리만 관측되므로, 사진 기록만 보면 해당 서식지의 개체군이 이미 크게 줄어든 것처럼 보일 수 있다. 하지만 실제로는 20마리가 존재한다. 이 차이는 단순한 계산 실수가 아니라 해석 구조의 차이에서 비롯된 것이다.

보전 정책 측면에서도 함의가 크다. 지역별 관측 수를 기준으로 보호 우선순위를 정하거나, 연도별 사진 수를 바탕으로 보전 성과를 평가할 경우, 검출확률의 차이를 고려하지 않으면 실제보다 취약한 지역을 과도하게 문제 지역으로 분류하거나 반대로 안정적인 지역을 회복 사례로 잘못 해석할 수 있다. 한 해에는 카메라 배치가 효과적이어서 검출확률이 높고 다음 해에는 배치가 불리해졌다면, 실제 개체 수가 같아도 관측 수 감소만으로 개체군 감소라는 결론에 도달할 수 있다. 이런 상황은 장기 모니터링 자료를 읽을 때 특히 주의해야 한다.

또한 본 탐구는 숫자의 크기 자체보다 숫자 사이 관계를 읽는 태도가 중요하다는 점도 보여 준다. $p=0.30$과 $p=0.90$ 조건을 비교하면 평균 관측 개체 수 차이는 11.25마리이고, 과소추정 비율 차이는 56.25%p이다. 같은 실제 개체군에 대해 조사 설계의 차이만으로도 정책 판단의 방향이 달라질 수 있을 만큼 큰 차이다. 따라서 카메라 트랩 조사를 설계할 때는 장비 수 확대, 설치 위치 최적화, 조사 기간 표준화, 반복 조사 강화 등을 통해 검출확률을 가능한 한 높이고 안정화할 필요가 있다.

한편 본 연구에는 분명한 한계도 있다. 첫째, 모든 개체의 검출확률이 동일하다고 가정했지만 실제 호랑이는 성별, 나이, 행동권, 이동 습성에 따라 카메라 노출 가능성이 다를 수 있다. 둘째, 개체 간 독립성을 가정했으나 실제 현장에서는 특정 이동 경로를 공유하거나 계절에 따라 비슷한 패턴을 보일 수 있다. 셋째, 본 연구는 실제 공개 관측 자료가 아니라 교육적 목적에 맞게 구성한 가상 자료를 사용하였으므로, 현실의 복잡성을 모두 반영하지는 못한다. 넷째, 카메라 고장, 중복 촬영, 개체 식별 오류, 조사 일수 차이 같은 방법론적 요소도 포함하지 못했다. 따라서 본 결론은 카메라 트랩 조사의 전체 현실을 완전하게 설명한다기보다, 검출확률 편향의 핵심 구조를 명료하게 보여 주는 모형으로 이해하는 것이 적절하다.

그럼에도 본 연구는 두 가지 점에서 의미가 있다. 하나는 확률과 통계의 교과 개념이 생태 보전이라는 실제 문제와 직접 연결될 수 있음을 구체적으로 보여 준다는 점이다. 모집단과 표본, 조건부확률, 이항분포, 기대값, 분산, 추정이라는 개념은 단순한 교과서 정의를 넘어 현실 판단의 정확성을 좌우하는 도구로 작동한다. 다른 하나는 수학이 숫자를 계산하는 기술에 그치지 않고, 그 숫자가 어떤 구조에서 나왔는지 해석하는 사고를 요구한다는 점이다. 본 연구의 핵심 결론은 관측 수 자체보다 관측 수를 만들어 낸 검출확률 구조를 함께 분석해야 한다는 데 있다.

후속 탐구에서는 세 방향으로 확장할 수 있다. 첫째, 조사 횟수를 더 늘려 표본 크기와 추정 안정성의 관계를 함께 분석할 수 있다. 둘째, 검출확률을 개체마다 다르게 설정해 현실적인 이질성을 반영한 모형으로 발전시킬 수 있다. 셋째, 실제 공개 야생동물 조사 자료를 활용해 신뢰구간이나 단순 회귀 분석을 적용함으로써 가상 자료에서 확인한 경향이 현실 자료에서도 유사하게 나타나는지 비교할 수 있다. 이러한 확장은 고등학교 수준의 확률과 통계 개념을 더 깊이 탐구하는 방향이 될 것이다.

결론적으로 카메라 트랩 조사에서 검출확률이 낮아질수록 시베리아호랑이의 관측 개체 수는 실제 개체 수보다 구조적으로 과소추정되며, 그 왜곡의 규모는 무시하기 어렵다. 따라서 보전 현장에서 카메라 트랩 자료를 해석할 때는 관측값 자체만이 아니라, 그 관측값이 형성된 확률적 조건과 조사 설계를 함께 고려해야 한다. 이것이 본 연구가 탐구 질문에 대해 제시하는 가장 분명한 답이다.

6. 참고문헌

[1] Karanth, K. U., & Nichols, J. D. (1998). Estimation of tiger densities in India using photographic captures and recaptures. Ecology, 79(8), 2852-2862.

[2] Wang, S., Feng, L., Mou, P., Wu, J., Smith, J. L. D., Xiao, W., Yang, H., Dou, H., Zhao, X., Cheng, Y., Zhou, B., Wu, H., Zhang, L., Tian, Y., Guo, Q., Kou, X., Han, B., Miquelle, D. G., & Ge, J. (2016). Estimating the population size and genetic diversity of Amur tigers in Northeast China. PLOS ONE, 11(4), e0154254.

[3] Steenweg, R., Hebblewhite, M., Kays, R., Ahumada, J., Fisher, J. T., Burton, C., Townsend, S. E., Carbone, C., Rowcliffe, J. M., Whittington, J., Brodie, J., Royle, J. A., Switalski, A., Clevenger, A. P., Heim, N., & Rich, L. N. (2017). Scaling-up camera traps: Monitoring the planet’s biodiversity with networks of remote sensors. Frontiers in Ecology and the Environment, 15(1), 26-34.

[4] MacKenzie, D. I., Nichols, J. D., Royle, J. A., Pollock, K. H., Bailey, L. L., & Hines, J. E. (2018). Occupancy estimation and modeling: Inferring patterns and dynamics of species occurrence (2nd ed.). Academic Press.

[5] PeerJ. (2018). Recommended survey designs for occupancy modelling using motion-activated cameras: Insights from empirical wildlife data. Retrieved from https://peerj.com/articles/532.pdf

[6] IUCN. (2016, July). Camera trapping tigers across borders. Retrieved from https://iucn.org/news/species/201607/camera-trapping-tigers-across-borders

7. 활동 요약 (자기평가서)

카메라 트랩 조사에서 검출확률 편향이 시베리아호랑이 개체수 추정에 미치는 영향을 확률과 통계 개념으로 분석함. 야생동물 개체수 자료가 모집단 전체를 직접 확인한 결과가 아니라 불완전한 관측 과정을 거친 표본이라는 점에 주목하여 실제 개체 수를 20마리로 고정한 뒤 검출확률을 0.30부터 0.90까지 달리한 시나리오를 구성함. 각 조건에서 반복 관측값을 비교하며 평균 관측 개체 수와 표준편차, 이론적 기대값, 과소추정 비율을 계산해 검출확률이 낮을수록 같은 집단도 훨씬 작은 개체군처럼 보일 수 있음을 확인함. 특히 $P(\text{관측됨}|\text{존재함})$과 $P(\text{존재함}|\text{관측됨})$를 구분해 관측 실패를 부재와 동일시할 때 생기는 해석 오류를 정리하고, 이러한 오류가 보전 우선순위 설정이나 연도별 성과 판단을 왜곡할 수 있음을 설명함. 모집단과 표본, 조건부확률, 이항분포, 기대값과 분산 같은 교과 개념이 실제 생태 보전 문제와 연결되는 과정을 수치로 확인하며, 관측된 숫자만 보는 것이 아니라 그 숫자가 만들어진 구조를 함께 읽어야 함을 이해함.