def anderson(x, y, tol=0.1):
    """Возвращает значение и p-value статистики Андерсона-Дарлинга для данных выборок.
    Args:
        x: numpy.array первой выборки,
        y: numpy.array второй выборки,
        tol: стандартное отклонение относительной ошибки метода Монте-Карло.
            Возвращаемое значение p-value удовлетворяет неравенству
            (1 - p-value) / (p-value * mc_reps) <= tol ** 2,
            где mc_reps --- это число проделанных итераций Монте-Карло.
    """
    def A_count(x1, y1):
        full_len = len(x1) + len(y1)
        y1.extend(x1)
        z = sorted(y1)
        A_kv = 0
        for i in range(1, full_len):
            c_i = len([el for el in x1 if el <= z[i]])
            denominator = (full_len * c_i - len(x1) * i) ** 2
            numerator = i * (full_len - i)
            A_kv += denominator / numerator
        return A_kv / (len(x1) * len(y1))

    x_list = list(x)
    y_list = list(y)
    A_cons = A_count(x_list, y_list)
    x_list.extend(y_list)
    z = x_list

    count = 0
    sum_indicator = 0
    for perm in permutations(z):
        count += 1
        A_new = A_count(list(perm[:len(x)]), list(perm[len(x):]))
        sum_indicator += int(A_new < A_cons)
        p_value = sum_indicator / count
        #print(p_value, sum_indicator, A_new)
        if p_value * count > 0 and p_value != 1:
            if (1 - p_value) / (p_value * count) <= tol ** 2:

                return [A_cons, p_value]