مشاهدات سری های زمانی گاهی اوقات تحت تأثیر پیشامدهایی نظیر: اعتصاب ها، ظهور جنگ، بحران های سیاسی و غیره قرار می گیرند. نتایج این پیشامدهای بازدارنده، به وجود آمدن مشاهداتی مصنوعی است که با بقیه ی مشاهدات در سر ی های زمانی، سازگاری ندارد. این قبیل مشاهدات را نقاط پرت می نامند. در این پایان نامه ابتدا روش آزمون دنباله ای را برای پیدا کردن نقاط پرت جمع پذیر و نوساز در مدل های arma به کار می بریم. در ادامه به دلیل محاسبات نسبتأ طولانی این روش، روش آزمون دنباله ای اصلاح شده را که در واقع تصحیحی از آزمون دنباله ای می باشد، بیان می کنیم. و در نهایت با داده های شبیه سازی شده با استفاده از نرم افزار برنامه نویسی r، ضمن بررسی کارایی هر دو روش بیان شده، مقایسه عددی نیز بین این دو روش انجام خواهیم داد.