Jaka jest oczekiwana wartość zmodyfikowanego rozkładu Dirichleta? (problem z integracją)

Łatwo jest stworzyć zmienną losową z rozkładem Dirichleta przy użyciu zmiennych Gamma o tym samym parametrze skali. Gdyby:

$X_i \sim \text{Gamma}(\alpha_i, \beta)$

Następnie:

$\left(\frac{X_1}{\sum_j X_j},\; \ldots\; , \frac{X_n}{\sum_j X_j}\right) \sim \text{Dirichlet}(\alpha_1,\;\ldots\;,\alpha_n)$

Problem Co się stanie, jeśli parametry skali nie będą równe?

$X_i \sim \text{Gamma}(\alpha_i, \beta_i)$

Więc jaki jest rozkład tej zmiennej?

$\left(\frac{X_1}{\sum_j X_j},\; \ldots\; , \frac{X_n}{\sum_j X_j}\right) \sim \; ?$

Dla mnie wystarczyłoby znać oczekiwaną wartość tego rozkładu.
Potrzebuję przybliżonej zamkniętej formuły algebraicznej, która może być bardzo szybko oceniona przez komputer.
Powiedzmy, że przybliżenie z dokładnością 0,01 jest wystarczające.
Możesz założyć, że:

$\alpha_i, \beta_i \in \mathbb{N}$

Uwaga W skrócie, zadaniem jest znalezienie przybliżenia tej całki:

$f(\vec{\alpha}, \vec{\beta}) = \int_{\mathbb{R}^n_+} \;\frac{x_1}{\sum_j x_j} \cdot \prod_j \frac{\beta_j^{\alpha_j}}{\Gamma(\alpha_j)} x_j^{\alpha_j - 1} e^{-\beta_j x_j} \;\; dx_1\ldots dx_n$

Tylko wstępna uwaga, jeśli chcesz prędkości obliczeniowej, zwykle musisz poświęcić dokładność. „Większa dokładność” = „Ogólnie więcej czasu”. W każdym razie jest to przybliżenie drugiego rzędu, powinno poprawić się w stosunku do „przybliżonego” przybliżenia zasugerowanego w powyższym komentarzu:

$$E\Bigg(\frac{X_{j}}{\sum_{i}X_{i}}\Bigg)\approx \frac{E[X_{j}]}{E[\sum_{i}X_{i}]} -\frac{cov[\sum_{i}X_{i},X_{j}]}{E[\sum_{i}X_{i}]^2} +\frac{E[X_{j}]}{E[\sum_{i}X_{i}]^3} Var[\sum_{i}X_{i}]$$ $$= \frac{\alpha_{j}}{\sum_{i} \frac{\beta_{j}}{\beta_{i}}\alpha_{i}}\times\Bigg[1 - \frac{1}{\Bigg(\sum_{i} \frac{\beta_{j}}{\beta_{i}}\alpha_{i}\Bigg)} + \frac{1}{\Bigg(\sum_{i} \frac{\alpha_{i}}{\beta_{i}}\Bigg)^2}\Bigg(\sum_{i} \frac{\alpha_{i}}{\beta_{i}^2}\Bigg)\Bigg]$$

EDIT An explanation for the above expansion was requested. The short answer is wikipedia. The long answer is given below.

write $f(x,y)=\frac{x}{y}$. Now we need all the "second order" derivatives of $f$. The first order derivatives will "cancel" because they will all involve multiples $X-E(X)$ and $Y-E(Y)$ which are both zero when taking expectations.

$$\frac{\partial^2 f}{\partial x^2}=0$$ $$\frac{\partial^2 f}{\partial x \partial y}=-\frac{1}{y^2}$$ $$\frac{\partial^2 f}{\partial y^2}=2\frac{x}{y^3}$$

And so the taylor series up to second order is given by:

$$\frac{x}{y} \approx \frac{\mu_x}{\mu_y}+\frac{1}{2}\Bigg(-\frac{1}{\mu_y^2}2(x-\mu_x)(y-\mu_y) + 2\frac{\mu_x}{\mu_y^3}(y-\mu_y)^2 \Bigg)$$

Taking expectations yields:

$$E\Big[\frac{x}{y}\Big] \approx \frac{\mu_x}{\mu_y}-\frac{1}{\mu_y^2}E\Big[(x-\mu_x)(y-\mu_y)\Big] + \frac{\mu_x}{\mu_y^3}E\Big[(y-\mu_y)^2\Big]$$

Which is the answer I gave. (although I initially forgot the minus sign in the second term)