一個優良的推算式，必須具備四個要件，及無偏性，高效性，一致性及充分性，而在抽樣理論中，特別偏重無偏性及高效性。事實上根據Rao-Blackwell定理知，若將充分性應用於尋求最優的族群微常數推算式，常能使範圍縮小，而獲致較佳的結果。 本篇即根據這種構想，應用充分統計量於改善等機率與不等機率簡單逢機抽樣中族群平均數的推算式，為使本篇理論趨於完善起見，首先於第二章闡述充分統計量的意義，並說明由Basu與pathak等在抽樣理論中所定義的充分統計量不同於一般嚴格數學演述者，從而島論出順序統計量亦與一般常見者迥異。 第三章說明應用新導出的順序統計量於等機率簡單逢機抽樣中，可獲致變方較小的推算式。為了清晰起見，吾人以歸還與不歸還兩種抽樣方法分別加以闡論，結果得知在歸還抽樣中由於順序統計量的作用，使得新求出的推算式，較一般常用者為佳，而在不歸還抽樣中所得結果與一般常用者一樣。最後特舉一例，以比較所求出的推算式與一般常用者變方的大小，而證實本章所述。 第四章及應用順序統計量於不等機率簡單逢機抽樣中，結果得知不論在歸還或不歸還抽樣中，均可獲致變方較小的推算式，並各舉一例以說明其理論所述為正確。

由於研究目的的特殊需要以及調查的可行性與經濟起見，大多數的統計資料均藉抽樣調查而產生之。然而抽樣調查資料須經適當方法予以推算後始能顯示族群特徵而據以解決問題。一般抽樣調查除對族群特徵常數(Parameters)推算外，往往針對研究問題的需要，必須進一步對族群領域特徵常數(Parameters inDomains of Study)加以推算。由於族群領域大小刊jN通常為未知，同時領域樣品大小jN為一逢機變數(RandomVariable)的原故，族群領域特徵常數之推算式(Estimators)並非與族群特徵常數之推算式全同。因此，對族群領域特徵常數不同推算公式的誘導與其推算精密度(Precision)的分析比較自有極高的研究價值。 吾人知道現代的企業管理莫不藉重統計資料而趨於數量分析 (Quartitative Analysis) 以為各種問題的研究與解決。應用統計資料加以研究、解決企業管理問題固屬重要，然而既然大多統計資料的產生係來自抽樣調查，則如何獲得精密度較高的抽樣推算方法的探討，其重要性自不待言了。 本人主修企業統計，有感於此，遂自告奮勇敦請本所教授魏應澤博士指導，撰文探討抽樣調查中，有關族群領域特徵常數之推算問題。 本文內容共分五章，第一章為緒論，說明本文研究之問題及其探討之計劃。第二、三章則分別闡述簡單展算法(Simple Expansion Method)與比率推算法(Ratio Estimates)以為第四章探討之基礎。第四章運用簡單展算法與比率推算法探討簡單逢機抽樣(Simple RAndom Sampling)、分層逢機抽樣(Stratified Random Sampling)與集體抽樣(Simple Cluster Sampling)下四種族群領域特徵常數---即族群領域大小jN、族群領域平均值jY（集體抽樣時指jY）、族群領域總計值jY及族群領域總計值佔整個族群總計值成數(Proportion)jP=jY/Y的推算方法。第五章為結論。 本文之撰寫承蒙吾師 魏應澤博士悉心指導，謹此誌謝！至於本文內容，因個人學識及時間之限制，誤漏之處，在所難免，敬祈閱卷教授指正。

統計學或其他科學，在事前情報如事前機率分佈能預先知悉下，以貝氏方法加以分析。輒可獲得較為圓滿的結論。新近許多學者對它特感興趣，是故此法最近幾年中，在理論與實際應用方面均獲有迅速的發展。鑑於貝氏法於抽樣推算上，以往鮮有學者作有系統的闡述，爰特試撰「簡單逢機抽樣之貝氏推算」一文，期能對其理論加以說明，並望能藉此以推廣我國的統計分析工作。 本文共分四章。第一章緒論，除說明貝氏法近年廣被研究的範疇外，並介紹貝氏事後機率定理。事前及事後機率密度與應用貝氏方法時一般常用的損失函數，俾作以後各章分析之基礎。第二章闡述貝氏推算，首先介紹貝氏直接推算法，繼再敘述貝氏比率推算法，文中引述了許多定理及實例，期以深入淺出的方式，對貝氏推算作有系統的說明。第三章將貝氏推算與傳統的推算互作比較，比較的方式除文辭與數理併述外，並且引述理論與應用之證明。最後一章對貝氏推算加以檢討，同時指出貝氏法欲加以推廣應用所需解決的問題。 撰者才疏學淺，舛誤之處，敬祈指正，無任感禱。