Desculpas pela falta de clareza Walmes,  é que não citei que a função faz é D_{ij}^2 = (x_i - x_j)' (Σ^-1) (x_i - x_j) e a matriz Σ, neste caso não tem inversa comum. Já tentei várias funções e de fato todas funções para tal método usam a função solve(Σ) como padrão. Desisti de usar  a matriz de Mahalanobis,  pensei em distancia Euclidiana, mas seria importante eu conseguir usar um método que envolvesse a matriz de covariâncias para obter D2. Minha pergunta é se teria uma forma de usar, neste caso, um outro tipo de inversa (outro algorítimo) e sem comprometer a matriz D2 ou se vou mesmo ter ficar com distancia Euclidiana e variantes. 

 

str(dados)

'data.frame': 6 obs. of  10 variables:

 $ ch     : int  146 26 44 56 73 101

 $ lam    : int  126 14 20 104 54 156

 $ esfr   : int  208 1 1 36 73 22

 $ cut    : int  43 10 9 20 22 40

 $ fleh   : int  16 1 1 2 9 5

 $ tmont  : int  45 5 12 15 11 27

 $ mont   : int  18 8 16 25 21 32

 $ montco : int  6 0 3 2 2 3

 $ vocal  : int  106 14 21 105 97 151

 $ respaud: int  123 44 64 113 56 79

dados

   ch lam esfr cut fleh tmont mont montco vocal respaud

A 146 126  208  43   16    45   18      6   106     123

B  26  14    1  10    1     5    8      0    14      44

C  44  20    1   9    1    12   16      3    21      64

D  56 104   36  20    2    15   25      2   105     113

E  73  54   73  22    9    11   21      2    97      56

F 101 156   22  40    5    27   32      3   151      79

mahalanobis.dist(dados)

Error in solve.default(cov, ...) : 

sistema é computacionalmente singular: condição recíproca número = 1.53112e-19

require(biotools)

Cov=cov(dados)

D2=D2.dist(dados, Cov) 

André Oliveira Souza.
Graduação em Matemática, mestrado em estatística aplicada.Instituto Federal de Educação, Ciência e Tecnologia do Espirito Santo.  IFES