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 کند. مدل های پایه ای dea به مقدار دقیقی از داده ها نیاز دارند، در حالی که در مسائل حقیقی داده ها اغلب غبرصریح هستند که می توان آن ها را به عنوان متغیرهای فازی در نظر گرفت. در این پایان نامه مدل های dea با ورودی ها و خروجی های فازی نوع دو مورد بررسی قرار می گیرد. در ابتدا سه روش کاهش جدید بر مبنای مقدار بحرانی (cv) متغیر فازی منظم (rfv) و سه روش کاهش دیگر بر مبنای مقدار میانگین متغیر فازی منظم (rfv) برای متغیر فازی نوع دو ارائه می شود. سپس با بهره گیری از روش های کاهش معرفی شده مدل های dea باورپذیر تعمیم یافته ارائه می شود و طبق خاصیت های باورپذیری تعمیم یافته وقتی ورودی ها و خروجی ها متغیرهای فازی نوع دو متقابلا مستقل باشند مدل dea فازی به مدل برنامه ریزی پارامتری تبدیل می شود که پارامترها نشان دهنده درجه عدم قطعیت فازی نوع دو هستند. برای هر پارامتر مدل برنامه ریزی پارامتری به مدل برنامه ریزی خطی تبدیل می شود که با استفاده از روش های استاندارد حل می شود.