تحلیل پوششی داده ها (dea)روشی برای اندازه گیری کارایی نسبی یک مجموعه از واحدهای تصمیم گیری ‎ (dmus) ‎ است که ورودی های چندگانه را برای تولید خروجی های چندگانه مصرف می کنند. مدل های سنتی ‎ dea ‎ به مقدار دقیقی از ورودی ها و خروجی ها لازم دارند در حالی که در مسائل جهان حقیقی داده های موجود غالبا غیرصریح هستند. داده های غیرصریح را می توان به عنوان متغیرهای فازی درنظر گرفت. در این پایان نامه برای رتبه بندی ‎dmuها با ورودی ها و خروجی های غیرصریح، مدل ‎ ccr ‎ به مدل ‎ ccr فازی مبنی بر اندازه ی باورپذیری گسترش داده می شود. در ابتدا اندازه ی باورپذیری به عنوان یک اندازه ی خود دوگان شرح داده می شود. سپس برای حل مدل ‎ ccr ‎ با ورودی ها و خروجی های فازی برنامه ریزی قیود تصادفی با پارامترهای فازی در ماکسیمم خوشبنانه ترین حالت و ماکسیمم بدبینانه ترین حالت به کار برده می شود. مدل فازی بدست آمده به دو روش: با استفاده از یک الگوریتم پیوندی و یا با تبدیل کردن به یک مدل برنامه ریزی خطی حل می شود. مدل فازی بدست آمده به مدل ‎ bcc ‎ فازی، مدل ‎ sbm ‎ فازی و مدل‎ dea/ar فازی بسط داده می شود. در آخر روشی برای رتبه بندی واحدهای کارا با ورودی خروجی های قطعی با استفاده از مدل های فازی بدست آمده شرح داده می شود