X1∼Y+ZX2∼W+ZZU( 1 - U)
Третий популярный метод - (NORTA) NORmal To Anything ; генерировать коррелированные нормальные вариации, превращать их в единообразные случайные вариации путем оценки их соответствующих cdf-файлов, а затем использовать эти «новые» единообразные случайные вариации в качестве источника случайности при генерации отрисовок из нового распределения.
Помимо подхода связок (целый класс методов), упомянутого в другом посте, вы также можете выбрать из распределения максимального сцепления, которое по духу сходно с подходом связок. Вы указываете маргинальные распределения и выборку из максимальной связи. Это достигается двумя шагами принятия-отказа, как описано здесь Пьером Джейкобом . Предположительно, этот метод может быть расширен до более высоких измерений, чем 2, но может оказаться более сложным для достижения. Обратите внимание, что максимальная связь будет вызывать корреляцию, которая зависит от значений параметров маргиналов, см. Этот пост в качестве хорошего примера этого в ответе Сианя на мой вопрос.
Если вы готовы принять приблизительные (в большинстве случаев) выборки, то методы MCMC также являются возможностью выборки из многомерных распределений.
Кроме того, вы можете использовать методы принятия-отклонения, но обычно трудно найти доминирующую плотность для выборки и оценить отношение ее к желаемой плотности.
Это все дополнительные методы, которые я могу придумать, но, возможно, я пропустил пару.