Este artículo ofrece un recorrido práctico y compacto por los filtros recursivos más utilizados cuando las mediciones son ruidosas y se dispone de poca memoria, poca capacidad de cómputo y baja latencia: el promedio móvil simple (SMA), la media móvil exponencial o filtro de paso bajo de primer orden (EMA) y una versión simplificada del filtro de Kalman en una dimensión.
A diferencia de los filtros por lotes, los recursivos mantienen un estado de tamaño constante y producen una estimación actualizada con cada nueva muestra, lo que los hace ideales para microcontroladores, robótica, suavizado de sensores en dispositivos móviles y telemetría. El texto explica la notación básica, muestra las fórmulas de cada método y acompaña cada explicación con una nota intuitiva: el SMA necesita un búfer y diluye los picos por igual; el EMA, algebraicamente idéntico al paso bajo, se comporta como un integrador con fuga cuyo factor alpha controla el equilibrio entre ruido y retraso; y el mini Kalman introduce una ganancia adaptativa que sopesa automáticamente la predicción frente a la medición según las varianzas de ruido del sensor y del proceso.
El artículo también ofrece pautas para elegir parámetros según el caso de uso: ventana del SMA, valor inicial de alpha entre 0,1 y 0,3 para el EMA, y estimaciones de varianza para el Kalman. Cierra con una reflexión del autor sobre la complejidad real del filtro de Kalman completo y con referencias a recursos externos, entre ellos un cuaderno en Kaggle con el código asociado.