对于不对称的不确定性，scipy.optimize.curve_fit 的 sigma 输入应该是什么？

Question

我阅读了 scipy.optimize.curve_fit 的文档，但 sigma 对我来说仍然不清楚。
我确实明白 sigma 在这里的用途，但我不明白，我应该如何在不对称不确定性的情况下实际使用它。
文档： https:// docs.scipy.org/doc/scipy/reference/ generated/scipy.optimize.curve_fit.html#scipy.optimize.curve_fit

详细描述：

文档说：

如果我们将残差定义为 r = ydata - f(xdata, *popt)，则 sigma 的解释取决于其维数：
一维 sigma 应包含 ydata 中误差的标准差值。在本例中，优化函数为 chisq = sum((r / sigma) ** 2)。

残差的定义很好。我也会使用它，但我对一维西格玛感到困惑。

我的理解是（不确定是否正确）：
一维 sigma 是 M 长度的序列。由于这里的 ydata 是长度为 M 的数组，因此 sigma (sigma[0]) 第一个位置的值是 ydata (ydata[0]) 第一个位置的值的误差的标准差。

现在的问题是，如果存在不对称误差，我应该使用 sigma[0] 什么呢？
我的意思是，如果 ydata[0] 有不对称误差（例如 +0.2 和 -0.1），那么我应该计算 0.2 和 -0.1 的标准差？ 我是否理解正确，我直接得到的那些 yerrors 不应该在这里用作 sigma ？