Outro método popular é a "redução trivariada", que X1∼ Y+ Z e X2∼ W+ Z para que a correlação seja induzida pela variável aleatória Z. Observe que isso também é generalizável para mais de 2 dimensões, mas é mais complicado que o caso 2-d. Você pode pensar que só pode obter correlações positivas, mas, na verdade, também pode obter correlações negativas usandovocê e ( 1 - U) ao gerar variáveis aleatórias, isso induzirá uma correlação negativa nas distribuições.
Um terceiro método popular é (NORTA) NORmal To Anything ; gerar variáveis normais correlacionadas, transformá-las em variáveis aleatórias uniformes avaliando seus respectivos cdfs e, em seguida, usar essas "novas" variáveis aleatórias uniformes como fonte de aleatoriedade na geração de empates a partir da nova distribuição.
Além da abordagem de cópula (toda uma classe de métodos) mencionada em outro post, você também pode obter amostras da distribuição máxima de acoplamento, que é semelhante em espírito à abordagem de cópula. Você especifica distribuições marginais e a amostra do acoplamento máximo. Isso é realizado por 2 etapas de aceitação / rejeição, conforme descrito por Pierre Jacob aqui . Presumivelmente, esse método pode ser estendido para dimensões maiores que 2, mas pode ser mais complicado de alcançar. Observe que o acoplamento máximo induzirá uma correlação que depende dos valores dos parâmetros dos marginais. Veja este post para um bom exemplo disso na resposta de Xi'an à minha pergunta.
Se você estiver disposto a aceitar amostras aproximadas (na maioria dos casos), as técnicas do MCMC também serão uma opção para amostragem de distribuições multidimensionais.
Além disso, você pode usar métodos de aceitação / rejeição , mas normalmente é difícil encontrar uma densidade dominante para amostrar e avaliar a proporção dessa para a densidade desejada.
Esses são todos os métodos adicionais que consigo pensar, mas provavelmente há alguns que eu perdi.