La generación de cantidades sin precedentes de datos plantea nuevos desafíos en la gestión de datos, pero también una oportunidad para acelerar la identificación de procesos de múltiples disciplinas científicas. Uno de estos desafíos es la armonización de datos desequilibrados y heterogéneos de alta dimensionalidad. En este manuscrito, proponemos un enfoque estadístico para combinar piezas incompletas y parcialmente superpuestas de matrices de covarianza que provienen de experimentos independientes. Suponemos que los datos son una muestra aleatoria de matrices de covarianza parciales muestreadas de distribuciones Wishart y derivamos un algoritmo de expectativa-maximización para la estimación de parámetros. Demostramos las propiedades de nuestro método mediante (i) estudios de simulación y (ii) conjuntos de datos empíricos. En general, poder hacer inferencias sobre la covarianza de variables no observadas en el mismo experimento es una herramienta valiosa para el análisis de datos, ya que la estimación de la covarianza es un paso importante en muchas aplicaciones estadísticas, como el análisis multivariado, el análisis de componentes principales, el análisis factorial y el modelado de ecuaciones estructurales.