Дано: два массива `normal_data` (нормальное распределение) и `skewed_data` (экспоненциальное). Проверьте каждый массив тестом Шапиро-Уилка на нормальность (нулевая гипотеза: данные нормальны; принимаем нормальность при p > 0.05). Сохраните dict {"normal_p":..., "skewed_p":..., "normal_is_normal": True/False, "skewed_is_normal": True/False} в `result` (p-values округлите до 4 знаков).
shapiro normality_test hypothesis
Задача «Тест Шапиро-Уилка: проверка нормальности» учит применять статистику и научные методы через scipy. Такие задачи дают на собеседованиях в Тинькофф и других IT-компаниях. Уровень лёгкий — база, которую ждут от любого аналитика на Python.
Сначала разбери условие и формат входа-выхода, прикинь крайние случаи (пустой ввод, дубли, NaN). Затем выбери структуру данных и собери решение по шагам — начни с простого рабочего варианта, потом оптимизируй сложность. Код пишешь и запускаешь прямо в браузере: Python-тренажёр исполняет его через Pyodide (pandas, numpy, scipy) и проверяет результат автоматически.
На собеседовании по Python для аналитика ценят чистый читаемый код, корректную обработку крайних случаев (пустой ввод, дубли, None) и умение вслух оценить сложность по времени и памяти. Часто просят не просто решить, а разобрать альтернативные подходы и показать, где наивное решение сломается на большом объёме данных.
Прокачать Python для аналитики — бесплатный курс «Pandas с нуля» и Python-тренажёр.
Открыть задачу в тренажёре → ← Все Python-задачи