Los sistemas lineales invariantes en el tiempo de múltiples entradas y múltiples salidas (MIMO) presentan enormes costos computacionales para problemas de alta dimensionalidad. Para abordar este problema, proponemos un enfoque novedoso para reducir la dimensionalidad de los sistemas MIMO. El método aprovecha la base de Takenaka-Malmquist e incorpora la máquina de vectores relevantes estrictamente compleja (SCRVM). Nos referimos a este método como máxima verosimilitud libre de covarianza (CoFML). El método propuesto evita el cálculo explícito de la matriz de covarianza. CoFML resuelve múltiples sistemas lineales para obtener las estadísticas posteriores requeridas para la covarianza. Esto se logra mediante la explotación de la matriz de precondicionamiento y la regla de estimación de elementos diagonales de la matriz. Proporcionamos justificación teórica para esta aproximación y mostramos por qué nuestro método escala bien en entornos de alta dimensionalidad. Al emplear el algoritmo CoFML, aproximamos sistemas MIMO en paralelo, lo que resulta en ahorros significativos de tiempo computacional. La efectividad de este método se demuestra a través de tres ejemplos bien conocidos.