我有一些人们对事物进行投票的数据，如果对每个项目进行平均投票，那将是很好的选择。您可以将投票视为不断传入的数字流。现在我可以准确地计算出平均值，但要做到这一点，我必须存储两个数字，要么是总数，要么是当前平均值，以及到目前为止已经看到的项目数。如果我这样做，我可以使用
AVG[n+1] = (AVG[n]*count + item)/(count+1)
但这很痛苦，因为它迫使我为每个我想要投票的项目存储两条数据。我知道还有另一种方法称为移动平均值或迭代器平均值，它可以处理流数据，但只会给出一个近似平均值，如下所示：
AVG[n+1] = alpha*(item - AVG[n]) + AVG[n]
其中 alpha 是一些小的固定学习率。这只是试图将新平均值向新项目的方向移动，并按与该新项目与当前估计值之间的差异成比例的量移动。这给了我一种方法，只需要存储一个数字（当前平均值）并且当有新项目进入时仍然能够更新它，但代价是这只是一个近似值。
我想知道这种方法引入的错误是否有任何已知的界限......是否有一个公式来估计这个估计与事实的差距，以及我应该如何选择一个好的阿尔法？有关此帖子和此问题的更多信息。