Python中的不确定性包：使用给定的协方差矩阵获取数据不确定性

我相信我的问题很容易理解，但是我想说得很清楚，因此本篇文章的篇幅也很短。

我的初始情况，我在下面总结，类似于本文中解释的情况（https://stats.stackexchange.com/questions/50830/can-i-convert-a-covariance-matrix-into-uncertainties- for-variables），但特别关注python程序包的不确定性如何处理此类情况。

情况如下：

• 我拥有一个与某些测量的标称值相对应的数据点阵列（标称值是指没有考虑任何不确定性的裸值）。

• 每个数据点都带有不确定性，这也提供给我。此外，由于测量中的某些系统性因素，不同的数据点不是独立的而是相关的。因此，给出了具有非零非对角线元素的整个协方差矩阵。

我想做的是对我的数据进行计算，以使不确定性适当地传播。最终，我希望在控制台中以标称值+/-不定形式显示值。python包“不确定性”似乎是正确的处理方法，但是我不确定它为我的初始数据点提供的不确定性数字的含义。

我期望的是，我的初始数据点的不确定性对应于“天真的”标准偏差，即我的协方差矩阵的对角元素的平方根。这会忽略数据中的相关性，但是以标称值+/-不确定性的形式显示相关结果无论如何都不会显示相关性，并且只要正确考虑了后者以进行进一步的计算，这就不会成为问题。

但是，该软件包显示另一个数字表示不确定性，我不知道它来自哪里。软件包文档几乎没有帮助。我想知道我是否可能滥用该包装。

谁能帮助我了解情况？非常感谢 ！！

这是一个最小的可重现示例：

import uncertainties
import numpy as np

# To settle ideas, here are two different covariance matrices with same diagonals 
# -> I expect them to lead to the same std deviations below, but this is not the case:

Cov_matrix1 = np.array([[0.00, 0.0,  0.0], [0.0,  1, 0], [0.0, 0, 4]], np.float64)
Cov_matrix2 = np.array([[0.00, 0.5,  3], [0.5,  1, 0.2], [3, 0.2, 4]], np.float64)

# here are some initial nominal values:

data_nominal = np.array([1, 2, 3], np.float64)

print(" The nominal values of data, whithout covariance matrix is ", data_nominal)

# I impose correlations in my data, using the above covariance matrices

correlated_data1 = np.asarray(uncertainties.correlated_values(data_nominal, Cov_matrix1))
correlated_data2 = np.asarray(uncertainties.correlated_values(data_nominal, Cov_matrix2))

# I print my data in the console, and see that data points have different uncertainties in both cases,
# even though the two covariance matrices have the same diagonals ... What is happening ? 

print("\n First covariance matrix is ")
print(Cov_matrix1)
print("\n Data values are ", correlated_data1)

print("\n 2nd covariance matrix is ")
print(Cov_matrix2)
print("\n Data values are now ", correlated_data2)