我有一些人们对事情进行投票的数据，如果每个投票的人都投票给每个项目的平均值，那就太好了。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，但为了这样做，我必须存储两个数字，要么是总数，要么是当前的平均值，以及到目前为止看到的项数。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个数据。还有另一种我所知道的方法叫做移动平均线或迭代器平均值，它可以处理流数据，但只能给出近似的平均值：
AVG[n+1] = alpha*(item - AVG[n]) + AVG[n]
其中alpha是一些小的固定学习率。这只是试图在新项目的方向上移动新的平均值，并且与新项目和当前估计值之间的差异成比例。这给了我一种方法，只需要存储一个数字（当前平均值），并且当新项目进入时仍然能够更新它，但这只是一个近似值。
我想知道这个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真相的距离，以及我应该如何选择一个好的alpha？有关详情，请参阅此post和此question。