مشاهدات سری های زمانی گاهی اوقات تحت تأثیر پیشامدهایی نظیر: اعتصا ب ها، ظهور جنگ ها، بحران های سیاسی و غیره قرار می گیرند. نتایج این پیشامدهای بازدارنده، به وجود آوردن مشاهدات مصنوعی است که با بقیه ی مشاهدات سری زمانی سازگاری ندارد. این قبیل مشاهدات را نقاط پرت می نامند. در این رساله نقاط پرت نوساز، جمع پذیر، تغییر سطح ، تغییر موقت در سری های زمانی چند متغیره مورد بررسی قرار گرفته اند. جهت شناسایی نقاط پرت اثر آن ها در تعیین مدل و برآورد پارامترها از الگوریتم تسی و همکاران(2000) استفاده شده است. الگوریتم پیشنهادی تسی و همکاران برای varmaمدل های سری چند متغیره تطبیق داده شده است. با توجه به اینکه شناسایی و تشخیص نوع نقطه ی پرت نیاز به معیار شناسایی دارد با استفاده از شبیه سازی این معیار به دست می آید در پایان با استفاده از داده های قیمت ربع سکه، نیم سکه، تمام سکه مربوط به فروردین 1378 تاآذر 1387 و شناسایی نقاط پرت در این داده ها به صورت یک متغیره با استفاده از الگوریتم چن و لیو (1993) و به صورت چند متغیره با استفادهخ از روش ارائه شده در این رساله به مقایسه ی این دو الگوریتم پرداخته شده است. نتایج نشان می دهد که اگر سری زمانی چند متغیره به صورت یک متغیره مورد بررسی قرار گیرد. ممکن است داده ی پرتی از دید محقق پنهان بماند