部分分散行列と部分相関行列を計算します（本計算を実行する前に分散共分散行列（CovarianceMatrix）が計算されている必要があります）。 部分分散行列と部分相関行列の定義はリファレンスの「数式表記」の項を参照して下さい。

整数ベクトル divider で指定されたグループ毎に平均(group_means)と分散共分散行列(group_cov)を計算します。 グループの計算は各グループ毎に（行サイズの小さい） DataMatrix（と Weight） が作成されて計算が 定義通りに実行されることと同じです。
さらにそれらをまとめて配分（Pool）した平均(pooled_mean)と分散共分散行列(pooled_cov)を計算します。 配分（Pool）は各グループの平均や分散共分散行列の各要素を、各グループの重み（グループに属する要素の重みの合計） を用いた加重平均として計算されます。

指定された統計量計算を実行します。 ComputeProperties()メソッドは一度でデータ行列（DataMatrix）に入りきらないデータでも、データ行列の内容を 書き換え（またはデータ行列を置き換え）て繰り返し呼ぶことで必要な（プロパティに設定した）統計量を計算できます。
※本メソッドは最初の実行時にのみ使用できます（ComputeProperties(0) と同じです）。

指定された統計量計算を実行します。 ComputeProperties()メソッドは一度でデータ行列（DataMatrix）に入りきらないデータでも、データ行列の内容を 書き換え（またはデータ行列を置き換え）て繰り返し呼ぶことで必要な（プロパティに設定した）統計量を計算できます。

分位率（0<分位率<1）を格納したベクトル(QuantileOrder)に対応した分位値を格納した行列（QuantileMatrix）を計算します。
分位率とは DataMatrix の各列データを昇順に並べて、最小値の位置を 0 、最大値の位置を 1 に対応させた場合の値（0<分位率<1）です。 個々の分位率の位置にあたるデータの値を分位値といいます。
※中央値（メディアン：Median）は分位率 0.5 の時の分位値になります。
※DataMatrix の行数を n として、値（(n-1)・分位率）の整数部を j、小数部を f とすると 分位値=y[j+1]+f・(y[j+2]-y[j+1]) で計算されます。

ノイズ等の疑わしいデータ（外れ値DetectOutliers(VectorDenseDouble, Stat..::..BACON_INITILIZER, Double, Double)）を含むデータ行列の平均値（Mean）と 分散共分散行列（CovarianceMatrix）を推定（ロバスト推定）します。 分散共分散行列プロパティが設定されていない場合、自動作成されます。
計算は、Maronna と TBS という 2 つのアルゴリズムから成ります。最初の Maronna は 2 つ目 TBS アルゴリズムの開始データ (共分散と平均) を計算します。 次に TBS アルゴリズムは、要求した精度（ACCURACY）が得られるか、最大反復回数（ITER_NUM）に達するまで反復します。 その他、最大降伏点 (BD_POINT：アルゴリズムで許容可能な外れ値の割合) と ARP (棄却率) を指定します。 TBS アルゴリズムを使用しない場案は反復数を 0 に設定します。

データ行列中の外れ値(outlier) を検出して、結果を引数 w に格納します。
外れ値は一群のデータの中からノイズのような疑わしいデータレコード（行）です。 データレコードが推定される分布（正規分布）に従っていないように見える場合、それらは外れ値とみなされます。
alphaにゼロまたは負の値を指定すると 0.05、deltaにゼロまたは負の値を指定すると0.005が仮定されます。

使用したメモリー資源などを解放します。

double の値は欠測値（==非数値:NaN）かどうか判定します。 欠測値は非数値（NaN）ですので操作には注意が必要です。NaNを含む計算は全て NaN になります。 また自分（NaN）自身と比較しても一致しません（NaN==NaN の比較は false になります）。 従って、数値が NaN であるかどうかの判定は == や != を使用できません。代わりに Double.IsNaN() や 本メソッドを使用して判定します。

元になる相関行列（プロパティ）とできる限り同じ内容で、かつ負の固有値を持たない新しい相関行列（半正定値）を計算します。
予め相関行列（プロパティ）を計算しておく必要があります。

データ行列中の欠測値(MissingValueプロパティで指定された値（==Double.NaN））を周囲の有効値から類推して（意味のある値に）置き換えます。 欠測データには指定された値（=Mol.MissingValue）をセットする必要があります。また欠測値は非数値（Double.NaN）ですので数値的な比較 （自分自身と比較しても等しくはなりません）は無意味です。欠測値かどうかの判定は IsMissingValue(Double) メソッドを使用してください。
欠測値を正しい（とある程度思われる）値に置き換えるには期待値最大化 (EM) とデータ拡大 (DA) の２つのアルゴリズムを用います。 この場合、まず m 個の正しそうな推定値を計算します（EM アルゴリズム）。 そしてそれぞれの推定値を用いて他の統計的推定値を計算し、m 個の推定値をまとめて最終的な推定値を計算します（DA アルゴリズム）。
EM アルゴリズムは EM_ITER_NUM 回反復して（またはEM_ACCURACYの精度が達成されると）、平均および共分散の推定値を計算します。 MeanとCovarianceMatrixプロパティに初期値をセットすることができます。 CovarianceMatrixプロパティが null または全要素がゼロの場合、初期値に利用されません。 EM アルゴリズムが終了すると、DA アルゴリズムは DA_ITER_NUM 回反復して最終的な推定値を計算して DataMatrix 中の欠測値を置き換えます。