我相信我的问题很容易理解，但我想把它说得很清楚，因此这篇文章的长度。
我在下面总结的初始情况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 包不确定性如何处理这种情况。
情况如下：
我拥有一组与某些测量值的标称值相对应的数据点（通过标称值，我的意思是没有考虑任何不确定性的裸值）。
每个数据点都有其不确定性，这也提供给了我。更重要的是，由于测量中的一些系统性，不同的数据点不是独立的，而是相关的。因此，给了我一个具有非零非对角元素的整个协方差矩阵。
我想做的是以不确定性适当传播的方式对我的数据进行计算。最终，我希望在控制台中以标称值 +/- 不确定性的形式显示值。python 包“不确定性”似乎是正确的方法，但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。
我所期望的是，我的初始数据点的不确定性对应于“朴素”标准偏差，即我的协方差矩阵的对角线元素的平方根。这忽略了数据中的相关性，但以标称值 +/- 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，只要后者在进一步计算中被正确考虑，这应该不是问题。
但是，包装上显示的另一个数字是不确定性，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软件包。
谁能帮我了解一下情况？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)