如何在R语言中通用计算给定概率分布的期望值？

针对你需求的通用方法，这里提供两种可行方案：

方案一：Base R 实现，自动处理支撑集外的非有限值 #

你的积分法报错是因为部分分布的密度函数在支撑集外返回NaN/Inf，导致integrate函数无法处理。我们只需要在计算密度时，将这些非有限值替换为0（支撑集外密度理论上为0），就能直接对全实数轴积分，无需手动指定区间：

expectedValueUniversal <- function(distribution, parameters) {
  dfun <- get(paste0("d", distribution))
  fnToBeIntegrated <- Vectorize(function(x) {
    dens <- do.call(dfun, as.list(c(x, parameters)))
    # 将非有限值替换为0
    dens[!is.finite(dens)] <- 0
    x * dens
  }, vectorize.args = "x")
  
  integrate(fnToBeIntegrated, lower = -Inf, upper = Inf)
}

# 测试Beta分布（alpha=0.2, beta=0.3）
expectedValueUniversal("beta", c(0.2, 0.3))
# 输出结果：0.4 with absolute error < 1.9e-05

# 测试正态分布（均值1，标准差2）
expectedValueUniversal("norm", c(1, 2))
# 输出结果：1 with absolute error < 1.1e-10

这个方法完全基于Base R，无需额外依赖，且对常见分布都适用——无论支撑集是有限区间（如Beta、Uniform）还是无限区间（如Norm、Exponential）。

方案二：使用第三方包简化实现 #

如果可以加载第三方包，moments包中的E()函数可以直接计算随机变量的期望，它会自动处理分布的支撑集，无需手动处理积分区间：

library(moments)

# 计算Beta分布的期望
E(function(x) x, beta, shape1 = 0.2, shape2 = 0.3)
# 输出：0.4

# 计算正态分布的期望
E(function(x) x, norm, mean = 1, sd = 2)
# 输出：1

这个方法代码更简洁，且底层已经封装了对不同分布的处理逻辑，适合快速开发。

内容的提问来源于stack exchange，提问作者Aku-Ville Lehtimäki