Как правильно учитывать неопределенности при подгонке с помощью Python

Я пытаюсь сопоставить некоторые точки данных с неопределенностью y в python. Данные помечены в python как x, y и yerr. Мне нужно сделать линейную подгонку этих данных в логарифмическом масштабе. В качестве справки, если результаты подгонки правильные, я сравниваю результаты Python с результатами Scidavis

. Я попытался совместить кривую _с

def func(x, a, b):
    return np.exp(a* np.log(x)+np.log(b))

popt, pcov = curve_fit(func, x, y,sigma=yerr)

а также kmpfit с

def funcL(p, x):
   a,b = p
   return ( np.exp(a*np.log(x)+np.log(b)) )

def residualsL(p, data):
   a,b=p
   x, y, errorfit = data
   return (y-funcL(p,x)) / errorfit

a0=1
b0=0.1
p0 = [a0,b0]
fitterL = kmpfit.Fitter(residuals=residualsL, data=(x,y,yerr))
fitterL.parinfo = [{}, {}]
fitterL.fit(params0=p0)

и когда я пытаюсь сопоставить данные с одним из данных без неопределенностей (, т.е. устанавливая yerr=1 ), все работает просто отлично, и результаты идентичны результатам, полученным от scidavis. Но если я установлю yerr на неопределенность файла данных, я получу некоторые тревожные результаты. В питоне я получаю, например, a = 0,86, а в scidavis a = 0,14. Я что-то читал о том, что ошибки учитываются как веса. Нужно ли что-то менять, чтобы правильно рассчитать посадку? Или что я делаю не так?

edit :вот пример файла данных (x,y,yerr)

3.942387e-02    1.987800e+00    5.513165e-01
6.623142e-02    7.126161e+00    1.425232e+00
9.348280e-02    1.238530e+01    1.536208e+00
1.353088e-01    1.090471e+01    7.829126e-01
2.028446e-01    1.023087e+01    3.839575e-01
3.058446e-01    8.403626e+00    1.756866e-01
4.584524e-01    7.345275e+00    8.442288e-02
6.879677e-01    6.128521e+00    3.847194e-02
1.032592e+00    5.359025e+00    1.837428e-02
1.549152e+00    5.380514e+00    1.007010e-02
2.323985e+00    6.404229e+00    6.534108e-03
3.355974e+00    9.489101e+00    6.342546e-03
4.384128e+00    1.497998e+01    2.273233e-02

и результат:

in python: 
   without uncertainties: a=0.06216 +/- 0.00650 ; b=8.53594 +/- 1.13985
   with uncertainties: a=0.86051 +/- 0.01640 ; b=3.38081 +/- 0.22667 
in scidavis:
   without uncertainties: a  = 0.06216 +/- 0.08060; b  = 8.53594 +/- 1.06763
   with uncertainties: a  = 0.14154 +/- 0.005731; b  = 7.38213 +/- 2.13653