用途：把比赛级概率或评分转化为结果分布，如完整/剩余赛程的胜场计数、季后赛式统计、对阵系列结果及点预测的不确定性范围。不适用于尚无基础模型、只需单点预测、与体育无关的离散事件仿真，或未做校准的场景。
主要能力：基于用户提供的赛前概率或评分及有记录的赛程运行蒙特卡洛模拟；输出均值、中位数、p05/p95、直方图与阈值概率；支持独立比赛与路径依赖更新等假设；提供敏感性检查。附带脚本 scripts/season_win_sim.py，读取每场一行、含赛前获胜概率的表（season,game_id,is_home,team,opponent,win_probability），只取 is_home==1。评分差转概率公式：P = 1 / (1 + 10 ** (-elo_diff / 400))。
使用方式：安装依赖 python -m pip install pandas numpy（Parquet 输入还需 pyarrow 或 fastparquet）。示例命令：python /path/to/simulation-sports/scripts/season_win_sim.py --input schedule_probabilities.parquet --season 2024 --n-sims 5000 --seed 7 --threshold 10 --out season_win_sim_2024.json。需提供基础模型、赛程、n_sims 与 seed、依赖假设、运动项目与赛季窗口。
限制：模拟无法创造基础模型不具备的准确度；若基础概率未校准须先处理并说明；输出仅覆盖传入行，不含被省略的已完成比赛，需在外部补加已胜场并标注；不得将主客两行视为两场独立比赛；必须报告 seed、n_sims、假设与复现命令，并说明模拟不确定性未涵盖阵容、伤病、赛程或模型全部不确定性。参考文献 simulation_assumptions.md、sensitivity.md。完整代码与安装细节见原资料。