在R中计算期望，可以采用以下几种方法：
手动计算
对于离散的随机变量，可以列出所有可能的取值及其对应的概率。
将每个取值乘以其对应的概率，并将所有乘积相加，得到期望值。
例如，对于一个骰子，取值为1到6，每个值的概率均等，可以通过以下代码计算期望：
```R
values <- c(1, 2, 3, 4, 5, 6)
probs <- rep(1/6, 6)
expectation <- sum(values * probs)
print(expectation) 输出为: 3.5
```
使用内置函数
R语言提供了`sum`函数和`weighted.mean`函数来计算期望。
`sum`函数可以直接计算向量的总和，而`weighted.mean`函数可以计算加权平均值。
例如，对于有权重的随机变量，可以使用`weighted.mean`函数：
```R
values <- c(1, 2, 3)
weights <- c(0.3, 0.4, 0.3)
expectation <- weighted.mean(values, weights)
print(expectation) 输出为: 2
```
使用`mean`函数
如果随机变量是等概率的，可以直接使用`mean`函数计算期望。
例如，对于一组等概率的随机数，可以使用以下代码计算期望：
```R
random_numbers <- rnorm(100)
expectation <- mean(random_numbers)
print(expectation)
```
使用矩阵运算
对于二维变量或矩阵，可以使用矩阵点乘的方法计算期望。
例如，对于矩阵`A`，其每一列代表一个随机变量，每一行代表一个观测值，可以使用以下代码计算期望：
```R
A <- matrix(c(1, 2, 3, 4, 5, 6), nrow = 2, ncol = 3)
expectation <- rowMeans(A)
print(expectation)
```
建议
简单情况：对于简单的离散随机变量，手动计算期望可能更直观。
复杂情况：对于复杂的随机变量或大量数据，使用内置函数或矩阵运算会更加高效。
验证结果：在计算期望后，建议通过其他方法（如模拟或实际数据验证）来确认计算结果的正确性。