Інший популярний метод - "триваріантне відновлення", який проби Х1∼ Y+ Z і Х2∼ Ш+ Z так що кореляція індукується випадковою величиною Z. Зауважте, що це також може бути узагальненим для більш ніж двох вимірів, але є складнішим, ніж у випадку 2-d. Ви можете подумати, що ви можете отримати лише позитивні кореляції, але насправді ви також можете отримати негативні кореляції, використовуючиU і ( 1 - U) при генерації випадкових величин це спричинить негативну кореляцію розподілів.
Третім популярним методом є (NORTA) NORmal To Anything ; генерувати корельовані нормальні змінні, перетворювати їх у рівномірні випадкові величини шляхом оцінки відповідних cdfs, а потім використовувати ці "нові" рівномірні випадкові величини як джерело випадковості при генеруванні малюнків із нового розподілу.
Окрім підходу копули (цілого класу методів), згаданого в іншому пості, ви також можете взяти вибірку з максимального розподілу сполучень, який за духом схожий на підхід копули. Ви визначаєте граничні розподіли та вибірку з максимальної зв'язку. Це виконується двома кроками прийому-відхилення, описаними тут П'єром Якобом . Імовірно, цей метод може бути розширений на більш високі розміри, ніж 2, але може бути складнішим для досягнення. Зауважте, що максимальне з'єднання спричинить кореляцію, яка залежить від значень параметрів маргіналів. Дивіться цей пост для гарного прикладу цього у відповіді Сіань на моє запитання.
Якщо ви готові прийняти приблизні (в більшості випадків) зразки, то методи MCMC також є можливим вибіркою з багатовимірних розподілів.
Крім того, ви можете використовувати методи прийняття-відхилення, але, як правило, важко знайти домінуючу щільність для вибірки та оцінити відношення її до потрібної щільності.
Це всі додаткові методи, про які я можу придумати, але, напевно, я пропустив пару.