Copula 是一个把随机向量「各坐标边际分布」与「坐标间依赖结构」干净分离的函数。Sklar 定理告诉我们，任何连续边际的联合 CDF 都可唯一分解为 $F(x_1, \dots, x_d) = C(F_1(x_1), \dots, F_d(x_d))$，其中 $F_j$ 是各坐标的边际 CDF，$C: [0,1]^d \to [0,1]$ 即 copula——一个边际全为均匀分布的 $[0,1]^d$ 上的 CDF。最简洁、应用最广的参数化 copula 就是高斯 copula：把多元正态 $\mathcal{N}(0, R)$ 的依赖结构剥离出来、扔掉所有边际信息后剩下的部分。一旦能从高斯 copula 抽样，你就可以通过逆 CDF 法把它和任意边际 CDF 组合，从而模拟近乎任何联合分布——这正是信用组合模拟（Li 模型及其在 CDO 定价里的后裔）、保险组合中相关退保建模、市场风险蒙特卡洛中相关风险因子情景生成的工程套路。本题让你实现这个抽样原语。