Para casos dependientes multidimensionales con información de probabilidad incompleta de variables aleatorias, la teoría de análisis de sensibilidad global (GSA) aún no está madura. La función de densidad de probabilidad (PDF) conjunta de variables multidimensionales suele ser desconocida, lo que significa que las muestras de variables multivariadas no se pueden obtener fácilmente. La cópula de Vine puede descomponer la PDF conjunta de variables multidimensionales en el producto continuo de la PDF marginal y varias funciones de cópula bivariadas. Basándose en la cópula de Vine, los problemas dependientes multidimensionales pueden transformarse en problemas dependientes bidimensionales. Se propone un enfoque novedoso basado en la cópula de Vine para analizar medidas de sensibilidad basadas en la varianza, que pueden estimar los índices de sensibilidad principales y totales de variables de entrada dependientes. Cinco casos de prueba considerados y ejemplos de ingeniería muestran que los métodos propuestos son precisos y aplicables.