使用下面的 Python 代码执行模拟，根据分布生成原理实现中心极化和卡方分布和 t 分布。
卡方 ：通过平方标准正态分布加 n 个，自由度为 n 的卡方
t 分布：在标准规范分布中，将卡方分布除以自身自由度，将根分开获得。
遵循以下原则，使用您自己的代码进行出色重新构建。
代码注释，详细说明每行的含义。
中心极化：将 p 从伯努利分布转换为 0.1、0.5 和 0.9，将样本数 n 拉出 10、30、50 和 100，求平均值，并重复绘制 500 次概率分布。
卡方分布：1、3 和 10 个自由度开方分布
t 分布：自由度 1、3 和 10 的 t 分布
p、n、自由度和迭代数指定为变量，以便可以将其替换为其他数。
** 以下代码仅供参考，您可以继续学习和搜索，并编写代码以匹配您的回答
https://daewonyoon.tistory.com/358
示例 1） 均匀分布 U （0，1）U （0，1）
U
(
0
,
1
)
从 中提取 10 个样本，平均 X 3X 10
X
¯
重复实验 200 次，以直方图显示这 200 个样本均值。
from scipy.stats import uniform
np.random.seed（1） # 生成可重复的随机数。使用相同的种子值始终显示相同的结果。
n = 10 # 一次执行中要提取的样本数
mean = [] # 存储每次实施中提取的样本平均值的列表
for i 在 range （201）： # 重复语句，总共 200 次迭代
x = uniform.rvs（loc=0，scale=1，size=n） # （ loc，scale） 作为母数的均匀分布中的 n 个随机样本生成
mean.append(x.mean())
plt.hist(mean, bins = 9, density = True, histtype='bar')
plt.title("Distribution of the Sample Mean")
plt.xlabel("mean")
plt.ylabel("Density")
plt.show()
示例 2） 这一次，我们将样本数量增加到 20、30 和 50，并重复实验。样本均值的分布有何不同？让我们运行给定的脚本，并检查结果。
np.random.seed(1)
n = [10, 30, 50, 100]
for i 在 range（4）： # 实验，每个样本总数为 4 个不同的样本数
plt.figure(figsize=(6, 4))
#plt.subplot （221 + i） # 创建多图形窗口。
mean = []
for j 在 range （1001）： # 每个样本的大小重复 1000 次
x = uniform.rvs(loc=0, scale=1, size=n[i])
mean.append(x.mean())
plt.hist(mean, bins = 9, color = "C0", density = True, histtype='bar')
plt.title("Distribution of the Sample Mean n = %i" % n[i])
plt.xlabel("mean")
plt.ylabel("Density")
x = np.linspace(0, 1, 100, endpoint=True)
mu = 0.5 # （0，1） 均匀分布的毛线
sd = np.sqrt （1/12） # （0，1） 均匀分布的母标准偏差
fx = norm.pdf(x, loc = mu, scale = sd/np.sqrt(n[i]))
plt.plot（x，fx，color = “C1”，线性值 = 1.0，linestyle=“-”） # 样本均值近似的正态分布