تعدادی از واحدهای تصمیم گیرنده که در مدل های DEA کارا ارزیابی می شوند دارای نمره کارایی یک هستند، پس هیچ تمایزی بین آن ها - از لحاظ تئوری – وجود ندارد. اغلب تصمیم گیرنده ها در صدد رتبه بندی کاملی از DMU ها هستند، تا بتوانند عملکرد آن ها را بهتر ارزیابی کنند و در جهت بهبود بیشتر پیش روند. تا به حال روش های مختلفی، برای رتبه بندی واحدهای کارا و ناکارا ارایه شده و مقالات زیادی در این زمینه منتشر یافته است. که برهر یک از این روش ها ایرادهایی وارد است و آن ها قادر به رتبه بندی تمامی DMU ها نیستند. روش بوت استرپ مطرح شده در این مقاله می تواند رتبه بندی تمامی واحدها را انجام دهد. روند بوت استرپ به عوض تحلیل تئوری از قدرت محاسباتی استفاده می کند. و برای بوت استرپ نمرات کارایی به طور ضمنی از برنامه ریزی خطی استفاده می کند. و به همین دلیل هیچکدام از مشکلات روش های قبلی را ندارد

روش بوت استرپ افرون برای برآورد میزان دقت برآوردگرها، هنگام مشاهدات مستقل کاربرد دارد. برای داده های فضایی که بر حسب موقعیت قرار گرفتن آن ها در فضای مورد بررسی به یکدیگر وابسته هستند، معمولا روش بوت استرپ بلوک متحرک مورد استفاده قرار می گیرد. از آنجا که در این روش مشاهدات مرزی نسبت به سایر مشاهدات امکان کمتری برای حضور در بلوک ها دارند، در این مقاله روش بوت استرپ بلوک مجزا معرفی و الگوریتمی برای برآورد میزان دقت برآوردگرها ارایه می شود. همچنین کارایی روش بوت استرپ بلوک مجزا با بلوک متحرک در یک بررسی شبیه سازی مورد مقایسه عددی قرار گرفته، نشان داده می شود برآوردگر اریبی میانگین نمونه ای به روش بوت استرپ بلوک مجزا بدون خطا و برآوردگر واریانس آن سازگار است.

تحلیل پوششی داده ها (DEA) دامنه ی گسترده ای از مدل های ریاضی برای سنجش کارایی نسبی مجموعه ای از واحدهای تصمیم گیری متجانس با ورودی و خروجی مشابه است. مدل های مضربی تحلیل پوششی داده ها، مجموعه ای از وزن ها را برای متغیرهای ورودی و خروجی هر واحد تصمیم گیری به دست می آورد و بر اساس آن کارایی نسبی هر واحد تصمیم گیری را محاسبه می کند. محاسبه وزن های مختلف برای شاخص های یکسان در مجموعه ای از واحدهای تصمیم گیری متجانس، واقع بینانه نیست. برای رفع این مشکل از روش مجموعه وزن های مشترک (CSW) استفاده شده است. برای به حداقل رساندن واحد های کارا از روش بوت استرپ برای تعیین مجموعه وزن های مشترک استفاده می شود. رتبه یک واحد می تواند اطلاعات سودمندی درزمینه فعالیت های بهینه واحدهای تصمیم گیری در اختیار تصمیم گیرنده قرار دهد. اینکه کدام واحد بر واحد دیگر اولویت دارد، این مفهوم برتری یک واحد را ازنظر کارایی و اثربخشی بر واحدهای دیگر مشخص می کند. محاسبه کارایی واحدها برای مدل های تحلیل پوششی داده ها می تواند ملاک مناسبی برای رتبه بندی یک واحد باشد؛ اما مشکل اصلی زمانی است که چند واحد کارا همگی رتبه یک را لحاظ می کنند. هدف از این پژوهش، ارائه مدلی جهت رتبه بندی واحدهای کارا با استفاده از روش بوت استرپ برای تعیین مجموعه وزن های مشترک در تحلیل پوششی داده ها است. تعیین مجموعه وزن-های مشترک از طریق یافتن یک بازه اطمینان احتمالی برای وزن ها به کمک بوت استرپ است که برآورد آن ها می تواند یک مجموعه وزن های مشترک احتمالی برای تحلیل پوششی داده ها به دست آورد و با توجه به آن واحدهای کارا از هم افتراق و رتبه بندی بین آن ها انجام می شود.