我们如何计算一种复杂到其状态数超过宇宙中原子数量的游戏的获胜概率？当解析数学变得不可行时，我们将目光转向计算机的实验室。 模拟: 通过实验手段来经验性地确定概率的方法称为模拟，它架起了理论概率与现实应用之间的桥梁。
实验的结构
每一次模拟的核心都在于对随机过程的复现。我们不求解封闭形式的方程，而是通过反复试验来模拟系统的行为。为了将这些物理结果转化为数学数据，我们采用 指示变量。
为了量化结果，我们定义随机变量来捕捉事件的成功或失败。例如，在掷骰子游戏中：
$$X = \begin{cases} 1 & \text{如果骰子点数之和为6} \\ 0 & \text{否则} \end{cases}$$
对于更复杂的棋类游戏（如纸牌游戏），我们定义 $X_i$ 为第 $i$ 次试验的结果：
$$X_i = \begin{cases} 1 & \text{如果第 } i \text{ 局游戏获胜} \\ 0 & \text{否则} \end{cases}$$
关键在于，期望值 $E[X_i] = P\{\text{在纸牌游戏中获胜}\}$。
理论收敛性
为什么这种方法有效？模拟的有效性建立在 大数定律（强律）之上。我们将估计量定义为样本均值：
$$\sum_{i=1}^n \frac{X_i}{n} = \frac{\text{获胜局数}}{\text{总游戏局数}}$$
这是一个无偏估计量。根据大数定律，我们可以知道，当 $n \to \infty$ 时，$\sum_{i=1}^n \frac{X_i}{n}$ 以概率 1 收敛于 $P\{\text{在纸牌游戏中获胜}\}$。
示例：纸牌游戏悖论
想象一下，计算赢得一个复杂纸牌游戏的确切概率。由于牌组状态的数量极其庞大，解析组合方法几乎无法实现。相反，我们编写程序让计算机使用固定策略进行 $n = 1,000,000$ 场游戏。通过追踪每局游戏的 $X_i$，最终的胜率比例提供了一个高精度的获胜概率估计，这是传统计数方法无法获得的。