fix(eda): hallazgos de comportamiento del benchmark (H2,H3,H6,H7,H8,H10,H11)

Ronda 4 (verificada con re-corrida sobre los datasets afectados):
- H2: stl_decompose deriva periodo de la frecuencia del indice (seattle period=365
  seasonal_strength=0.84; fin del period=2 espurio)
- H3+H10: infer_fk por senal de nombre (<X>Id->X.<X>Id) + excluir no-clave -> chinook
  111->9 FK, todas reales, cero absurdas, 16-27x mas rapido; base intacta (flag off->111)
- H6: association no computa eta2 si cardinalidad~=n (Ticket-Fare espurio fuera)
- H7: id secuencial monotono excluido de correlacion y PCA/KMeans (PassengerId fuera)
- H8: correlacion de series no estacionarias marcada espuria / sobre retornos
- H11: distribution_type usa modos/cardinalidad/normalidad (quality->discrete)
- 66 tests verdes

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>

python/functions/datascience/stl_decompose.py

@@ -32,16 +32,29 @@ def _clean(values: list) -> list[float]:
 
 
 def _infer_period(arr: np.ndarray, max_period: int) -> int | None:
-    """Infiere el periodo estacional dominante via autocorrelacion.
+    """Infiere el periodo estacional dominante via autocorrelacion del residuo detrended.
 
     Busca el retardo (entre 2 y ``max_period``) que maximiza la autocorrelacion
-    de la serie. Devuelve None si no encuentra un pico claro (autocorrelacion
-    maxima por debajo de un umbral pequeno).
+    de la serie tras restarle su tendencia lineal. El detrend es clave: sobre una
+    serie con tendencia la autocorrelacion cruda decae monotonamente y el retardo
+    minimo (2) gana siempre, produciendo un ``period=2`` espurio que enmascara la
+    estacionalidad real (falso negativo). Quitando primero la recta de mejor ajuste
+    por minimos cuadrados, el lag ganador refleja el ciclo estacional y no la deriva.
+    Devuelve None si no encuentra un pico claro (autocorrelacion maxima por debajo
+    de un umbral pequeno).
     """
     n = len(arr)
     if n < 6:
         return None
-    x = arr - arr.mean()
+    # Detrend lineal: resta la recta de mejor ajuste para que la tendencia no
+    # domine la autocorrelacion (si no, lag=2 gana siempre en series con deriva).
+    t = np.arange(n, dtype=float)
+    try:
+        slope, intercept = np.polyfit(t, arr, 1)
+        detrended = arr - (slope * t + intercept)
+    except (np.linalg.LinAlgError, ValueError):
+        detrended = arr - arr.mean()
+    x = detrended - detrended.mean()
     denom = float(np.dot(x, x))
     if denom == 0.0:
         return None