A Análise de Envoltória de Dados (DEA) é uma metodologia baseada em programação linear que se destina à avaliação da eficiência relativa das DMU's e à estimação de fronteiras de produção. DMU's são entidades gerenciais ou produtivas que transformam fatores de produção em produtos. DEA é um método não-paramétrico porque não é necessário que se imponha uma forma ao processo produtivo. Além disso, ele permite que se trabalhe num complexo contexto com múltiplos fatores e múltiplos produtos. Por outro lado, DEA é um método determinístico e, portanto, não consegue acomodar ruídos de natureza aleatória nos dados. Como a eficiência relativa das DMU's está relacionada com sua distância até a fronteira de produção estimada, um aspecto crítico é garantir que esta fronteira não seja gerada por pontos contaminados por erros. Pontos atípicos ("outliers") dessa natureza podem afetar severamente a estimativa de eficiência de outras DMU's e são chamados de pontos influentes. Nesta dissertação, medidas de eficiência tradicionais são analisadas e três métodos para a detecção e tratamento de pontos influentes baseados nessas medidas são apresentados e analisados. Além disso, são desenvolvidas variações desses métodos. A investigação de medidas de eficiência recentemente propostas também é enfocada, assim como seu uso potencial para a identificação de "outliers". Os métodos supracitados para detecção de "outliers" e avaliação de influência são aplicados a um problema que usa dados reais. Os resultados numéricos produzidos por esses métodos são comparados e analisados. Os pontos influentes são postos em evidência.