输出python代码解决如下问题：设线性回归模型 Yj=Bo+BWj1+BaWj2+ej, ej(j= 1,2,..,n)~ N(0,o²)(i.i.d.). (1)n= 500,1000,2000; sigma²= 0.25; (2)Wj1和Wj2 (j=1,2,…,n)分别独立地取自于U(0,1)和U(1,2); (3)β0=1, β1 = 2, β2 = 2; (4)yj=βo+β1Wj1+β2Wj2+ej，j=1,2,…,0.9n；其余缺失. 利用β(t+1)=(W的转置*W)的逆*W的转置*E(Y|x,β(t))一式迭代计算β(t）=（β0(t)，β1(t)，β2(t))转置，其中初值β(0）=（β0(0)，β1(0)，β2(0))转置， 并给出 β(t）关于迭代次数t的图形

下面是解决该问题的Python代码：

import numpy as np
import matplotlib.pyplot as plt

# 定义函数，计算迭代更新后的beta值
def update_beta(X, Y, beta):
    W = np.dot(np.transpose(X), X)
    E = np.dot(np.transpose(X), Y)
    inv_W = np.linalg.inv(W)
    beta_new = np.dot(inv_W, E)
    return beta_new

# 定义函数，生成数据
def generate_data(n):
    W1 = np.random.uniform(0, 1, n)
    W2 = np.random.uniform(1, 2, n)
    X = np.column_stack((np.ones(n), W1, W2))
    beta_true = np.array([1, 2, 2])
    Y = np.dot(X, beta_true) + np.random.normal(0, 0.25, n)
    return X, Y

# 定义主函数，进行迭代更新并绘制beta关于迭代次数的图形
def main(n):
    X, Y = generate_data(n)
    beta = np.array([0, 0, 0])
    beta_list = [beta]
    for i in range(1000):
        beta_new = update_beta(X, Y, beta)
        beta_list.append(beta_new)
        beta = beta_new
    beta_array = np.array(beta_list)
    plt.plot(beta_array[:, 0], label='beta0')
    plt.plot(beta_array[:, 1], label='beta1')
    plt.plot(beta_array[:, 2], label='beta2')
    plt.legend()
    plt.title("Beta vs Iteration")
    plt.xlabel("Iteration")
    plt.ylabel("Beta")
    plt.show()

# 运行主函数
main(500)
main(1000)
main(2000)

代码中，首先定义了一个`update_beta`函数，用于计算迭代更新后的beta值。然后定义了一个`generate_data`函数，用于生成数据。最后定义了一个主函数`main`，用于进行迭代更新并绘制beta关于迭代次数的图形。其中，主函数中的参数n用于指定数据集的大小。运行主函数时，可以分别传入500、1000、2000作为参数，得到三个不同数据集大小下的beta关于迭代次数的图形。