000			06528namaa22004331i 4500
003			EG-GICUC
005			20260204104106.0
008			260125s2025 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a519.5
092			_a519.5 _221
097			_aM.Sc
099			_aCai01.18.04.M.Sc.2025.He.E
100	0		_aHebatullah Ahmed Abd-elmonem, _epreparation.
245	1	0	_aErlang regression model with application / _cby Hebatullah Ahmed Abd-elmonem ; Supervised Prof. Salah Mahdy Mohamed, Dr. Amal Mohamed.
246	1	5	_aنمـــوذج إنحـــدار إيرلانـج وتطبيقــه
264		0	_c2025.
300			_a89 Leaves : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc)-Cairo University, 2025.
504			_aBibliography: pages 87-89.
520		3	_aThe Erlang distribution is a probability distribution widely used in various practical applications, such as queuing systems, waiting lines, and time-series data analysis. It is a part of the Gamma distribution family and is known for its flexibility in modeling random processes with independent event times. This distribution plays a key role in statistical data analysis and applied mathematics, as it helps in understanding and predicting the behavior of complex systems. Despite the considerable number of studies on the use of the Erlang distribution in various fields, significant research gaps remain, particularly in improving the accuracy of statistical models when applied to real data. The regression model is derived using the likelihood function for the Erlang distribution, and the distribution is simulated using the R programming language. This section presents the necessary mathematical equations for model derivation, along with the details of the simulation performed to examine the distribution’s behavior under different scenarios. Techniques like recalibration are applied to enhance the model’s responsiveness to complex data. The Erlang regression model was applied to real-world data from the Centers for Disease Control and Prevention (CDC) regarding emergency waiting times, based on various factors such as age, severity of condition, time of arrival, and other variables. The results show that the Erlang model accurately captures the relationship between these factors and waiting times. A comparison with a Weibull regression model demonstrated that the Erlang model outperformed the Weibull model in predicting waiting times. In conclusion, the regression model based on the Erlang distribution proves to be effective in improving the understanding and analysis of emergency data, helping make more accurate decisions in healthcare resource allocation. This model offers a powerful tool for enhancing system performance and reducing waiting times in emergency settings.
520		3	_aتوزيع إرلانغ هو توزيع احتمالي يُستخدم على نطاق واسع في تطبيقات عملية متنوعة، مثل أنظمة الطوابير، خطوط الانتظار، وتحليل البيانات الزمنية. يُعتبر جزءًا من عائلة توزيع غاما ويتميز بمرونته في نمذجة العمليات العشوائية ذات الأوقات المستقلة للأحداث. يلعب هذا التوزيع دورًا رئيسيًا في تحليل البيانات الإحصائية والرياضيات التطبيقية، حيث يساعد في فهم وتوقع سلوك الأنظمة المعقدة. على الرغم من العدد الكبير من الدراسات حول استخدام توزيع إرلانغ في مجالات مختلفة، لا تزال هناك فجوات بحثية كبيرة، خاصة في تحسين دقة النماذج الإحصائية عند تطبيقها على البيانات الحقيقية. تم اشتقاق نموذج الانحدار باستخدام دالة الاحتمال الأعظم لتوزيع إرلانغ، وتم محاكاة التوزيع باستخدام لغة البرمجة R. يقدم هذا القسم المعادلات الرياضية اللازمة لاشتقاق النموذج، إلى جانب تفاصيل المحاكاة التي أُجريت لفحص سلوك التوزيع في سيناريوهات مختلفة. تم تطبيق تقنيات مثل إعادة المعايرة لتعزيز استجابة النموذج للبيانات المعقدة. تم تطبيق نموذج انحدار إرلانغ على بيانات حقيقية من مراكز السيطرة على الأمراض والوقاية منها (CDC) بشأن أوقات الانتظار في حالات الطوارئ، بناءً على عوامل مثل العمر، شدة الحالة، وقت الوصول، ومتغيرات أخرى. أظهرت النتائج أن نموذج إرلانغ يلتقط بدقة العلاقة بين هذه العوامل وأوقات الانتظار. أظهرت مقارنة مع نموذج انحدار ويبول أن نموذج إرلانغ تفوق في التنبؤ بأوقات الانتظار. في الختام، يثبت نموذج الانحدار المستند إلى توزيع إرلانغ فعاليته في تحسين فهم وتحليل بيانات الطوارئ، مما يساعد في اتخاذ قرارات أكثر دقة في تخصيص موارد الرعاية الصحية. يقدم هذا النموذج أداة قوية لتحسين أداء النظام وتقليل أوقات الانتظار في إعدادات الطوارئ.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aStatistics
650		0	_aالإحصاء
653		1	_aErlang Distribution _aErlang Regression _aReparametrized _aLog Likelihood Function _aتوزيع إيرلانج _aانحدار إيرلانج
700	0		_aSalah Mahdy Mohamed _ethesis advisor.
700	0		_aAmal Mohamed _ethesis advisor.
900			_b01-01-2025 _cSalah Mahdy Mohamed _cAmal Mohamed _UCairo University _FFaculty of Graduate Studies for Statistical Research _DDepartment of Department of Applied Statistics and Econometrics
905			_aShimaa _eEman Ghareb
942			_2ddc _cTH _e21 _n0
999			_c178005