تحلیل پوششی داده ها روشی شناخته شده برای ارزیابی کارایی واحدهای تصمیم گیری می باشد که درسال های اخیر در اغلب کشورهای جهان برای ارزیابی عملکرد نهادها ودیگر فعالیت های رایج در زمینه های مختلف به کار گرفته شده است. دراکثر مطالعات dea تمام عوامل تأثیرگذار بر موفقیت واحدها که معمولاً تعدادشان هم زیاد است، در مسئله وارد می شوند.اگرچه وجود متغیرهای زیاد در یک مطالعه ی dea احتمالاً بر شفافیت مسئله افزوده و در نهایت,نتیجه گیری را معتبرتر می نماید اما از جهت دیگر چون باعث افزایش بعد فضای مسائل برنامه ریزی خطی می شود زمان لازم برای حل آنها را طولانی تر می نماید. از این رو استفاده از روش هایی که با حذف بعضی از متغیرها و اطلاعات غیرضروری و یا کم اهمیت میزان محاسبات را کاهش دهند مورد توجه قرار می گیرد از جمله تکنیک استفاده از مفهوم افزونگی متقاطع. در این پایان نامه ،ابتدا در فصل اول تعاریف و مفاهیم اساسی dea بیان شده است ،سپس در فصل دوم،چند روش مختلف برای حذف اطلاعات کم اهمیت به منظور کاستن از حجم محاسبات مدل های dea ارائه شده است.در فصل سوم،تعاریف اولیه ای که از افزونگی متقاطع کامل و ناقص و همچنین افزونه های متقاطع کامل و ناقص ارائه شده بود و روند تصحیح،تظریف و تعمیم این تعاریف آورده شده است.و در فصل آخر تعاریف دقیق افزونگی متقاطع کامل و ناقص و همچنین افزونه های متقاطع کامل وناقص ونیز رابطه وابستگی متقاطع کامل و قضایای مربوط به آنها بیان شده است.به علاوه در انتهای این فصل مقایسه ای بین میزان کاهش محاسبات در روشهایی که برخی از متغیرها را از مدل حذف می کنند با تکنیک هایی که برخی dmuها را از مسئله کنار می گذارند ارائه شده است.