Po przeprowadzeniu tej symulacji gracz, który znajduje się w korzeniu drzewa (aktualnie wykonujący ruch), ma pewność, że jego ruch jest optymalny w kontekście informacji o stanie gry z przeprowadzonej symulacji algorytmem minimax na głębokość d (tzn. maksymalizuje minimalny zysk).
Algorytm służy do wybrania optymalnego ruchu w danym momencie, dlatego po ruchu przeciwnika musimy przeprowadzić symulację ponownie. Większa głębokość d symulacji prowadzi do lepszych ruchów. Optymalizacja algorytmu z odcięciami alfa-beta pozwala, w optymalnym przypadku, zmniejszyć ilość rozpatrywanych stanów do ~ co w efekcie pozwala nam symulować ruchy prawie dwa razy głębiej.
Aby osiągnąć optymalne wyniki minimaxem, ważne jest posiadanie dobrej funkcji oceny stanu gry S. Optymalnej funkcji S zazwyczaj nie znamy, bo w takim wypadku gra byłaby już rozwiązana (znalibyśmy optymalną strategię jak np. w kółko i krzyżyk), dlatego stosuje się różne heurystyki, zazwyczaj wyrażone jako liniowy wielomian od parametrów stanu gry.
Minimax w kryterium statystycznej teorii decyzji W klasycznej statystycznej teorii decyzji estymator używany jest do oszacowania parametru Zakłada się również funkcję ryzyka zwykle określoną jako integralną z utratą funkcji.