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/tests/test_detect_distribution_type.py

@@ -43,3 +43,57 @@ def test_detect_exactly_30():
     values = rng.normal(0, 1, 30).tolist()
     result = detect_distribution_type(values)
     assert result["type"] != "too_few_samples"
+
+
+# --- H11: discrete / multimodal no deben etiquetarse "normal-ish" ---
+
+
+def test_detect_discrete_low_cardinality():
+    # Rating ordinal de 6 niveles (como wine `quality`): skewness pequena,
+    # antes caia en "normal-ish"; ahora debe ser "discrete".
+    rng = np.random.default_rng(3)
+    values = rng.integers(3, 9, size=1500).astype(float).tolist()  # 6 valores distintos
+    result = detect_distribution_type(values)
+    assert result["type"] == "discrete", f"Got {result['type']}"
+    assert result["stats"]["n_unique"] <= 15
+
+
+def test_detect_multimodal():
+    # Mezcla bimodal claramente separada con skewness ~0: antes "normal-ish",
+    # ahora "multimodal".
+    rng = np.random.default_rng(4)
+    values = np.concatenate(
+        [rng.normal(-4, 0.6, 1000), rng.normal(4, 0.6, 1000)]
+    ).tolist()
+    result = detect_distribution_type(values)
+    assert result["type"] == "multimodal", f"Got {result['type']}"
+    assert result["stats"]["n_modes"] >= 2
+
+
+def test_detect_normal_still_normal_after_fix():
+    # Retrocompatibilidad: una normal continua genuina sigue "normal-ish"
+    # pese a los nuevos checks de cardinalidad / modos.
+    rng = np.random.default_rng(5)
+    values = rng.normal(10, 2, 2000).tolist()
+    result = detect_distribution_type(values)
+    assert result["type"] == "normal-ish", f"Got {result['type']}"
+    assert result["stats"]["n_modes"] == 1
+    assert result["stats"]["n_unique"] > 15
+
+
+def test_detect_stats_has_new_keys():
+    rng = np.random.default_rng(6)
+    values = rng.normal(0, 1, 200).tolist()
+    stats = detect_distribution_type(values)["stats"]
+    for key in ("n_unique", "n_modes", "jb_stat", "jb_pvalue"):
+        assert key in stats, f"missing {key}"
+
+
+def test_detect_unimodal_skewed_not_multimodal():
+    # Continua unimodal sesgada (exponencial): el detector de modos no debe
+    # inventar modos espurios y la etiqueta no debe ser "multimodal".
+    rng = np.random.default_rng(8)
+    values = rng.exponential(1.0, 2000).tolist()
+    result = detect_distribution_type(values)
+    assert result["type"] != "multimodal", f"Got {result['type']}"
+    assert result["stats"]["n_modes"] == 1