Có một số cách để tạo giá trị ngẫu nhiên từ một bản phân phối, McMC là một trong số đó, nhưng một số cách khác cũng sẽ được coi là phương pháp Monte Carlo (không có phần chuỗi Markov).
Cách trực tiếp nhất để lấy mẫu đơn biến là tạo ra một biến ngẫu nhiên thống nhất, sau đó cắm nó vào hàm CDF nghịch đảo. Điều này hoạt động rất tốt nếu bạn có CDF nghịch đảo, nhưng thật rắc rối khi CDF và / hoặc nghịch đảo của nó khó tính toán trực tiếp.
Đối với các vấn đề đa biến, bạn có thể tạo dữ liệu từ copula, sau đó sử dụng phương pháp CDF nghịch đảo trên các giá trị được tạo để có một số mức độ tương quan giữa các biến (mặc dù việc chỉ định các tham số chính xác cho copula để có được mức độ tương quan mong muốn thường đòi hỏi một chút phep thử va lôi sai).
Lấy mẫu từ chối là một cách tiếp cận khác có thể được sử dụng để tạo dữ liệu từ phân phối (đơn biến hoặc đa biến) trong đó bạn không cần biết CDF hoặc nghịch đảo của nó (và thậm chí bạn không cần hằng số chuẩn hóa cho hàm mật độ), nhưng điều này có thể không hiệu quả cao trong một số trường hợp mất nhiều thời gian.
Nếu bạn quan tâm đến việc tóm tắt dữ liệu được tạo hơn là các điểm ngẫu nhiên, thì lấy mẫu quan trọng là một lựa chọn khác.
Lấy mẫu Gibbs là một hình thức lấy mẫu McMC cho phép bạn lấy mẫu ở nơi bạn không biết chính xác hình thức phân phối đa biến miễn là bạn biết phân phối có điều kiện cho từng biến được cung cấp cho các biến khác.
Cũng có những thứ khác, điều này tốt nhất phụ thuộc vào những gì bạn biết và không biết và các chi tiết khác của vấn đề cụ thể. McMC là phổ biến vì nó hoạt động tốt trong nhiều tình huống và khái quát cho nhiều trường hợp khác nhau.