Com o crescimento da era digital, os dados estão amplamente disponíveis, pelo que a recuperação de conhecimentos a partir desses dados é efectuada através de algoritmos de extração de dados. Entre os vários algoritmos de extração de dados, a deteção de valores anómalos é crucial, uma vez que a sua ocorrência degrada a eficiência do sistema. A maior parte da investigação limitou-se à deteção de valores atípicos num único universo com uma única granulação para dados numéricos ou categóricos. Os algoritmos de deteção de valores atípicos de aprendizagem automática existentes funcionam bem para dados quantitativos, mas não são diretamente aplicados a dados qualitativos, vagos e imprecisos, o que produz resultados ineficazes. Há também informações ambíguas, incertas, incompletas e indeterminadas que persistem no mundo real. Estes problemas são tratados neste trabalho de investigação utilizando a teoria dos conjuntos aproximados, os conjuntos difusos intuicionistas e os conjuntos neutrosóficos. A metodologia proposta, baseada na entropia grosseira e no método de deteção de valores aberrantes de densidade ponderada, foi concebida para detetar valores aberrantes em vários sistemas de informação. O valor da densidade ponderada para cada objeto e atributo foi determinado para detetar anomalias. Assim, um objeto verdadeiro nunca será tratado como um outlier.
