در این رساله به شناسایی داده‏های پرت جمع‏پذیر در سری های تلفیق یافته که در سال‏های اخیر توجه خاص بسیاری از آماردانان را به خود جلب کرده است، پرداخته شده است. ابتدا با به کار بردن تابع مداخله، اثر چهار نوع معمول نقطه ی پرت، 1) نقطه‏ی پرت نوساز، 2) نقطه‏ی پرت جمع‏پذیر، 3) تغییر سطح و 4) تغییر موقت، را در مدل سری زمانی sarima به عنوان یک حالت خاص مدل فصلی تلفیق یافته بررسی کرده و در ادامه سه روش برای شناسایی داده ی پرت جمع پذیر در مدل های فصلی تلفیق یافته معرفی کرده ایم. این روش ها براساس الگوریتم تکرار هستند که شناسایی نقاط پرت با استفاده از یک آماره ی آزمون صورت می گیرد. با توجه به این که این آماره های آزمون دارای توزیع پارامتری نمی باشند، توزیع تجربی و اندازه و توان هر یک از این آماره ها را با استفاده از شبیه سازی به دست آورده ایم. همچنین نشان داده ایم که این روش ها در مقایسه با روش های چن و لیو، تعمیم روش برآورد نیرومند رگرسیونی به مدل های سری های زمانی و روش تشخیص نقاط پرت با شیوه ی تکرار نسبت درستنمایی ، ویژگی های مناسبی از جهت اندازه و توان آزمون دارند. در پایان این روش ها را برای داده های پرداخت های دولت، پرداخت های جاری دولت، بدهی شرکت ها وموسسات دولتی و داده های بدهی شرکت ها و موسسات دولتی به بانک مرکزی، جهت شناسایی نقاط پرت، به‏کار خواهیم برد.