مشاهده‌ای که معمولا˝ نسبت به مقادير ديگر در بين مجموعه داده‌ها بزرگتر يا کوچکتر است، داده پرت ناميده می‌شود. وجود داده‌های پرت در اکثر موارد منجر به اختلال در نتـيجه‌گيری از اطلاعات خواهد شد. شناسايی داده‌های پرت توسط پژوهشگران و کليه کسانی‌که به نوعی با اطلاعات جمع‌آوری شده سر و کار دارند، حائز اهميت است بايد از وجود يا عدم وجود داده‌های پرت، چگونگی تاثيرگذاری و نحوه رفع داده‌های پرت اطلاع حاصل نموده و داده‌ها را کنترل کنند. در اين مقاله سعی شده با ارائه تکنيک‌های شناسايی داده‌های پرت و نحوه برخورد با اين نوع از داده‌ها، خطای ناشی از وجود چنين داده‌هايی را به حداقل برسانيم.

روش بررسی: در اين مقاله تکنيک‌های مختلف تعيين داده‌های پرت بر روی قد 30 نفر از دانشجويان دانشکده پزشکی دانشگاه تربيت مدرس تهران که توسط متر خياطی و با قرار دادن فرد در روی يک سطح صاف، اندازه‌گيری شدند مورد بررسی قرار گرفتند. از جمله اين تکنيک‌ها می‌توان به آزمون Z، آزمون گراب و روش‌های گرافيکی اشاره نمود.

يافته‌ها: تکنيک‌های فوق بيانگر وجود داده‌های پرت در مشاهدات 153 و 110 مربوط به قد افراد، بودند که با استفاده از جدول و نمودار نشان داده شد.

نتيجه‌گيری: نتايج پژوهش نشان داد که همه تکنيک‌ها در تعيين داده‌های پرت مفيد بودند و از اين ميان استفاده از چارک‌ها در شناسايی داده‌های پرت خفيف و شديد از اهميت بالايی برخوردار هستند. همچنين آزمون گراب با در اختيار گذاشتن سطح معنی‌داری (p-value)، در شناسايی داده‌های پرت بسيار مفيد است.