What is the formula for standard error?

SE = σ/√n, where σ is the population standard deviation and n is the sample size. It measures how much a sample mean of size n typically differs from the true population mean due to random sampling.

What does the central limit theorem actually say?

It says that if you repeatedly draw random samples of size n from (almost) any population and compute each sample's mean, those sample means form a distribution that gets closer to a normal (bell-shaped) distribution as n increases — even if the original population isn't normally distributed.

Why is n ≥ 30 used as a rule of thumb?

It's a widely used guideline: once a sample size reaches about 30, the sampling distribution of the mean is usually close enough to normal for standard methods to work well for most reasonably-shaped populations. Populations that are already close to normal can work with smaller n; heavily skewed populations may need a larger n for the approximation to hold.

How does the calculator find the probability of a sample mean range?

It converts your threshold or bounds into z-scores using the standard error — z = (x̄ − μ)/SE — and then reads the corresponding probability off the standard normal distribution, the same way a single-value z-score lookup works, just using SE instead of the raw population standard deviation.

Why does increasing the sample size shrink the standard error?

Because SE = σ/√n depends on the square root of n, not n itself — averaging over more independent observations cancels out more of the individual variability, but with diminishing returns. Quadrupling the sample size only cuts the standard error in half.

Does the shape of the original population matter?

For the sampling distribution of the mean, no — that's the point of the central limit theorem. Whether the underlying population is skewed, uniform, or has some other shape, the distribution of sample means still trends toward normal as the sample size grows.

Kalkulator Teorema Limit Pusat - Distribusi Sampling

📋

Panduan langkah demi langkah

Cara menggunakan kalkulator ini

3 langkah

1

Masukkan mean populasi, deviasi standar, dan ukuran sampel

Isikan mean populasi (μ), deviasi standar populasi (σ), dan ukuran sampel (n) pada kartu Populasi & Sampel di bagian atas. Ketiga nilai ini mendorong setiap pandangan di bawah ini — Anda tidak perlu mengetahui bentuk populasi asli, cukup mengetahui rata-rata dan penyebarannya.

2

Baca kesalahan standar

Hasil utama adalah kesalahan standar rata-rata (SE = σ/√n) — seberapa besar perbedaan rata-rata sampel berukuran n dari rata-rata populasi sebenarnya, murni karena pengambilan sampel acak. Beralih ke tab Distribusi Sampling atau Kesalahan Standar untuk rincian langkah demi langkah, atau bandingkan SE pada ukuran sampel yang berbeda.

3

Temukan probabilitas rentang rata-rata sampel

Beralih ke tab Probabilitas, pilih apakah Anda ingin P(x̄ > nilai), P(x̄ < nilai), atau P(a < x̄ < b), dan masukkan ambang batas atau batasnya. Kalkulator mengonversi nilai Anda menjadi skor-z menggunakan kesalahan standar, lalu membaca probabilitas distribusi normal.

⚡

Referensi

Rumus dan metodologi

3 rumus

Kesalahan standar rata-rata

SE = σ / √n

Simpangan baku distribusi sampling x̄. σ adalah simpangan baku populasi dan n adalah ukuran sampel. SE menyusut seiring bertambahnya n karena rata-rata pada lebih banyak pengamatan akan menghilangkan lebih banyak variabilitas individu.

Distribusi pengambilan sampel

x̄ ~ N(μ, σ/√n) for large n

Berdasarkan teorema limit pusat, distribusi rata-rata sampel x̄ mendekati distribusi normal dengan rata-rata μ (rata-rata populasi, tidak berubah) dan simpangan baku σ/√n — apa pun bentuk populasi aslinya — seiring dengan bertambahnya ukuran sampel n (aturan praktis yang umum adalah n ≥ 30).

Probabilitas rentang rata-rata sampel

z = (x̄ − μ) / SE, then P from the standard normal CDF Φ(z)

Untuk mencari probabilitas rata-rata sampel berada di atas, di bawah, atau di antara nilai-nilai tertentu, konversikan nilai-nilai tersebut menjadi skor-z menggunakan kesalahan standar (bukan deviasi standar populasi) dan cari area yang sesuai di bawah kurva normal standar.

📖

Glosarium

Penjelasan istilah penting

7 istilah

Teorema statistik yang menyatakan bahwa distribusi rata-rata sampel yang diambil dari (hampir) semua populasi mendekati distribusi normal seiring dengan bertambahnya ukuran sampel, terlepas dari bentuk asli populasi.

Distribusi probabilitas suatu statistik (di sini, rata-rata sampel x̄) diperoleh dengan mengambil sampel acak berulang kali dengan ukuran tetap n dari suatu populasi.

Deviasi standar distribusi sampling suatu statistik. Untuk mean sampel, SE = σ/√n, dengan σ adalah simpangan baku populasi dan n adalah ukuran sampel.

Rata-rata nilai dalam satu sampel berukuran n, digunakan sebagai perkiraan rata-rata populasi yang tidak diketahui μ.

Kumpulan lengkap individu atau pengamatan yang menarik, dengan mean μ dan deviasi standar σ yang sebenarnya (seringkali tidak diketahui), dari mana sampel diambil.

Memperlakukan distribusi sampling x̄ sebagai mendekati normal (melalui CLT) sehingga metode skor-z dan probabilitas normal standar dapat digunakan, bahkan ketika populasinya sendiri tidak terdistribusi normal.

Pedoman umum yang menyatakan bahwa distribusi pengambilan sampel x̄ cukup mendekati normal untuk penggunaan praktis setelah ukuran sampel mencapai sekitar 30, untuk populasi dengan bentuk paling masuk akal. n yang lebih kecil masih dapat berfungsi jika populasinya kira-kira normal; populasi yang lebih condong mungkin memerlukan n yang lebih besar.

👥

Skenario

Contoh dalam kehidupan nyata

3 contoh nyata

🧠

Perhitungan kesalahan standar

Skor IQ, populasi μ = 100, σ = 15, ukuran sampel n = 25

Rata-rata populasi (μ) 100 Deviasi standar populasi (σ) 15 Ukuran sampel (n) 25

SE = 15 / √25 = 15 / 5 = 3. Sampel dengan skor IQ 25 biasanya memiliki rata-rata yang berbeda sekitar 3 poin dari rata-rata populasi sebenarnya yaitu 100, hanya dari variabilitas pengambilan sampel acak.

📦

Probabilitas rentang rata-rata sampel

Populasi yang sama (μ = 100, σ = 15, n = 25) — probabilitas mean sampel melebihi 105

Ambang batas rata-rata sampel (x̄) 105 Perbandingan P(x̄ > nilai)

z = (105 − 100) / 3 ≈ 1,67, dan P(x̄ > 105) ≈ 4,8%. Hal ini cukup tidak biasa – sekitar 1 dalam 20 peluang – jika sampel berjumlah 25 orang memiliki rata-rata di atas 105 padahal rata-rata populasi sebenarnya adalah 100.

📉

N yang lebih besar memperketat distribusi pengambilan sampel

Populasi yang sama (μ = 100, σ = 15) — membandingkan ukuran sampel n = 25 vs. n = 100

Ukuran sampel (n) — dijalankan pertama kali 25 Ukuran sampel (n) — putaran kedua 100

Pada n = 25, SE = 15/√25 = 3. Menggandakan sampel menjadi empat kali lipat menjadi n = 100 hanya membagi separuh SE, menjadi 15/√100 = 1,5, karena SE menyusut dengan akar kuadrat dari n, bukan n itu sendiri. Sampel yang lebih besar memberikan distribusi pengambilan sampel yang mengelompok lebih erat di sekitar rata-rata populasi sebenarnya.

🔗

Referensi

Sitasi kalkulator ini

APA & MLA

Gunakan salah satu format ini untuk menyitasi kalkulator dalam makalah, laporan, atau daftar sumber.

APA

MLA

📄

Ulasan mendalam

Memahami Kalkulator Teorema Limit Pusat

3 bab · 4 menit membaca

Teorema limit pusat (CLT) adalah salah satu hasil yang paling berguna dalam statistik: tidak peduli bagaimana nilai suatu populasi didistribusikan, cara pengambilan sampel acak yang berulang dari populasi tersebut akan menghasilkan pola yang mendekati normal dan dapat diprediksi. Kalkulator ini mengubah teorema tersebut menjadi tiga angka praktis — mean dan penyebaran distribusi sampling, dan probabilitas bahwa mean sampel berada dalam kisaran yang Anda minati.

Cara kerja kalkulator teorema limit pusat

Mengingat mean populasi (μ), deviasi standar populasi (σ), dan ukuran sampel (n), kalkulator menghitung kesalahan standar mean, SE = σ/√n — deviasi standar distribusi sampling x̄. Dengan CLT, distribusi pengambilan sampel tersebut dipusatkan pada μ dan menjadi mendekati normal seiring bertambahnya n, yang memungkinkan kalkulator menggunakan distribusi normal standar untuk menjawab pertanyaan probabilitas tentang x̄.

Untuk tampilan probabilitas, ambang batas rata-rata sampel (atau pasangan batas bawah/atas) dikonversi ke skor-z menggunakan z = (x̄ − μ)/SE, dan area yang sesuai di bawah kurva normal standar akan memberikan probabilitas.

Masukan dan artinya

Rata-rata populasi (μ) adalah rata-rata sebenarnya dari keseluruhan populasi — seringkali tidak diketahui dalam praktiknya, namun diasumsikan diketahui di sini sehingga perilaku teorema tersebut jelas. Deviasi standar populasi (σ) mengukur seberapa tersebar nilai-nilai individu dalam populasi; σ yang lebih besar berarti pengukuran individual lebih bervariasi, sehingga memperluas distribusi pengambilan sampel juga. Ukuran sampel (n) adalah jumlah observasi yang dimasukkan ke dalam setiap rata-rata sampel — hal ini memiliki pengaruh yang sangat besar terhadap presisi karena SE menyusut seiring dengan akar kuadrat n, sehingga melipatgandakan ukuran sampel hanya akan mengurangi separuh kesalahan standar.

Batasan dan kasus tepi

Perkiraan normal yang mendasari kalkulator ini paling dapat diandalkan ketika n setidaknya berjumlah sekitar 30, atau ketika populasinya sendiri sudah mendekati normal (dalam hal ini sampel kecil pun berfungsi dengan baik). Untuk populasi yang sangat miring dengan n kecil, distribusi pengambilan sampel mungkin masih menyimpang dari normal, dan perkiraan probabilitas di sini harus diperlakukan sebagai perkiraan. Kalkulator juga mengasumsikan simpangan baku populasi σ diketahui; ketika σ harus diperkirakan dari suatu sampel, metode berbasis distribusi t lebih sesuai untuk sampel yang lebih kecil.

❓

Pertanyaan

Pertanyaan umum

6 pertanyaan

Apa rumus kesalahan standar?+

SE = σ/√n, dimana σ adalah simpangan baku populasi dan n adalah ukuran sampel. Ini mengukur seberapa besar perbedaan rata-rata sampel dengan ukuran n dari rata-rata populasi sebenarnya karena pengambilan sampel acak.

Apa sebenarnya yang dikatakan oleh teorema limit pusat?+

Dikatakan bahwa jika Anda berulang kali mengambil sampel acak berukuran n dari (hampir) populasi mana pun dan menghitung rata-rata setiap sampel, rata-rata sampel tersebut akan membentuk distribusi yang semakin mendekati distribusi normal (berbentuk lonceng) seiring bertambahnya n - meskipun populasi aslinya tidak terdistribusi normal.

Mengapa n ≥ 30 digunakan sebagai patokan?+

Ini adalah pedoman yang banyak digunakan: setelah ukuran sampel mencapai sekitar 30, distribusi sampel rata-rata biasanya cukup mendekati normal agar metode standar dapat bekerja dengan baik pada sebagian besar populasi dengan bentuk yang masuk akal. Populasi yang sudah mendekati normal dapat bekerja dengan n yang lebih kecil; populasi yang sangat condong mungkin memerlukan n yang lebih besar agar perkiraan tersebut dapat dipertahankan.

Bagaimana cara kalkulator menemukan probabilitas rentang rata-rata sampel?+

Ini mengubah ambang batas atau batasan Anda menjadi skor-z menggunakan kesalahan standar — z = (x̄ − μ)/SE — dan kemudian membaca probabilitas yang sesuai dari distribusi normal standar, dengan cara yang sama seperti pencarian skor-z nilai tunggal, hanya menggunakan SE alih-alih deviasi standar populasi mentah.

Mengapa meningkatkan ukuran sampel memperkecil kesalahan standar?+

Karena SE = σ/√n bergantung pada akar kuadrat dari n, bukan n itu sendiri — rata-rata pada observasi yang lebih independen akan menghilangkan lebih banyak variabilitas individual, namun dengan hasil yang semakin berkurang. Menggandakan ukuran sampel menjadi empat kali lipat hanya akan mengurangi kesalahan standar menjadi setengahnya.

Apakah bentuk populasi asli itu penting?+

Untuk distribusi sampling mean, tidak — itulah inti dari teorema limit pusat. Apakah populasi yang mendasarinya miring, seragam, atau memiliki bentuk lain, distribusi rata-rata sampel masih cenderung normal seiring dengan bertambahnya ukuran sampel.

Unduh PDF satu halaman berisi hasil Anda. Masukkan alamat email untuk menerima kiat kalkulator sesekali. Tanpa spam, dan Anda dapat berhenti berlangganan kapan saja. Privasi.

Kalkulator Teorema Batas Pusat

Populasi & Sampel

Distribusi Sampling x̄

Kesalahan Standar Mean

Probabilitas Rentang Rata-Rata Sampel

Cara menggunakan kalkulator ini

Masukkan mean populasi, deviasi standar, dan ukuran sampel

Baca kesalahan standar

Temukan probabilitas rentang rata-rata sampel

Rumus dan metodologi

Penjelasan istilah penting

Contoh dalam kehidupan nyata

Perhitungan kesalahan standar

Probabilitas rentang rata-rata sampel

N yang lebih besar memperketat distribusi pengambilan sampel

Sitasi kalkulator ini

Memahami Kalkulator Teorema Limit Pusat

Cara kerja kalkulator teorema limit pusat

Masukan dan artinya

Batasan dan kasus tepi

Pertanyaan umum

Dapatkan PDF hasil dengan merek Calculover

Kalkulator Teorema Batas Pusat

Populasi & Sampel

Distribusi Sampling x̄

Kesalahan Standar Mean

Probabilitas Rentang Rata-Rata Sampel

Cara menggunakan kalkulator ini

Masukkan mean populasi, deviasi standar, dan ukuran sampel

Baca kesalahan standar

Temukan probabilitas rentang rata-rata sampel

Rumus dan metodologi

Penjelasan istilah penting

Contoh dalam kehidupan nyata

Sitasi kalkulator ini

Memahami Kalkulator Teorema Limit Pusat

Cara kerja kalkulator teorema limit pusat

Masukan dan artinya

Batasan dan kasus tepi

Pertanyaan umum

Dapatkan PDF hasil dengan merek Calculover

Jelajahi lebih lanjut

kalkulator terkait

Panduan & artikel