Lesson 9.1.

2: Central Limit Theorem for Sample Means 

9.1.2
Central Limit Theorem for Sample Means 
INTRODUCTION 

Exploring Distributions of Sample Means

In lesson 9.1.1, we found random samples of acorn weights from a population of 400 real acorn weights. In 
this lesson,  w
  e will use computer simulations to learn more about the distributions of sample means. Pay 
special attention to the shape of the population distribution, and how the shape of the population 
distribution compares to the shape of the distribution of sample means for different sample sizes. This 
lesson uses the online simulation from the Take It Home section of Lesson 9.1.1: 

https://carnegiemathpathways.org/go/SamplingDist 

TRY THESE 

Sampling from a Uniformly Distributed Population 

To begin, we will sample from a population that is  uniformly distributed . We will use the online Sampling 
Distribution Simulation to simulate the creation of 10,000 random samples from this population. We will use 
three different sample sizes. First, we will create a distribution of sample means for 10,000 samples of size 2. 
Next, we will create a distribution of sample means for 10,000 samples of size 10. Finally, we will create a 
distribution of sample means for 10,000 samples of size 25. 

Step One: Population Distribution 

The population distribution is the top graph. Click the drop‐down menu labeled “Normal” and select 
“Uniform” to set the population distribution to uniform. 

1 Describe the shape of this population distribution. What are the possible values in this population? 

2 Are some of the population values more likely to occur than others? 

(1) Answer:  The graph is rectangular. The values range from 0 to 32.

(2) Answer:  No, all values are equally likely to occur.
 Lesson 9.1.2: Central Limit Theorem for Sample Means 

Step Two: Distribution of Sample Means 

Below the population curve is a plot of “Sample Data”. To the right of this plot are buttons for selecting the 
Number of samples. (“Animated” is one sample, “5” is 5 samples, “10,000” is 10,000 samples, and so on.) 

● Set the sample size ( n)   to 2 by using the drop‐down menu labeled “N=5” and selecting “N=2”.
● Set the number of samples ( N)   to 10,000 by clicking the button labeled “10,000”

In the third graph, the “Distribution of Means” plot, you will see the sample means from 10,000 random 
samples of size 2. 

3 What is the range of the sample means in this distribution of sample means? 

4 What is the shape of the distribution of sample means? 

5 Sketch the distribution of sample means for  n = 2 in the box below. Run the simulation for sample sizes 
n  = 10, and  n = 25, by using the drop‐down menu to first select “N=10” and then “N=25”. For each 
simulation, set  N = 10,000 so that 10,000 random samples are created. Sketch your results in the boxes 
below. 

Uniform Population Distribution 

6 What happens to the center of the distribution of sample means when the sample size increases to  n = 
25? What happens to the variability of the distribution when the sample size increases to  n = 25? 

(3) Answer:  The sample means range from 0 to 32.

(4) Answer:  The distribution is less uniform in shape—the center is higher than the ends.

(5) Answers will vary.

(6) Answer:  The distribution becomes bell shaped.

Statway® Version 3.1, © 2018 WestEd. All rights reserved. 
9.1.2 | 2 
 Lesson 9.1.2: Central Limit Theorem for Sample Means 

7 Identify the mean and standard error of the distribution of sample means when  n = 25. How do the 
mean and standard error of this distribution compare to the mean and standard deviation of the 
population? 

(7) Answers will vary.  The mean and standard error of the distribution of sample means are very
close to  μ  and  σn  , respectively.

Sampling from a Population that is not Uniformly Distributed 

Let’s sample from a population whose distribution is skewed right and not uniform. Let’s simulate 10,000 
random samples using three different sample sizes ( n  = 2,  n =   10,  n = 25).  

● Set the population type to “Skewed”, by using the top drop‐down menu where we selected
“Uniform” before. If you want to make the population distribution more skewed, drag your mouse
pointer along the population graph and adjust the shape.
● Set the Sample size ( n)   to 2 by selecting “N=2” from the drop‐down menu.
● Set the Number of samples ( N)   to 10,000 by clicking the button labeled “10,000”.

8 What is the range of the sample means in distribution of sample means? 

9 What is the shape of the distribution of sample means? 

10 Sketch the sampling distribution of sample means, when  n = 2, in the box below. Run the simulation for 
sample sizes  n = 10, and  n = 25, by using the drop‐down menu to first select “N=10” and then “N=25”. 
For each simulation, set  N = 10,000 by clicking the button labeled “10,000” each time so that 10,000 
random samples are created. Sketch your results in the boxes below. 

Skewed Right Population Distribution

(8) Answer:  The majority of sample means are between 0 and 16.

(9) Answer:  The distribution of sample means is skewed right.

(10) Answers will vary.
 Lesson 9.1.2: Central Limit Theorem for Sample Means 

11 What happens to the center of the distribution of sample means when the sample size increases to  n = 
25? What happens to the variability of the distribution when the sample size increases to 25? 

12 Identify the mean and standard error of the distribution of sample means when  n = 25. How do the 
mean and standard error of this distribution compare to the mean and standard deviation of the 
population? 

(11) Answer:  The distribution becomes normal.

(12) Answers will vary.  The mean and standard error of the distribution of sample means are very
close to  μ  and  σn  , respectively.

Sampling from Any Population 

We will now sample from a population with an even more unusual distribution. Try to create a population 
distribution that is so unusual that even when we increase the sample size, the distribution of sample means 
will not become bell shaped. We will again simulate 10,000 random samples using three different sample 
sizes.  

● Set the population type to “Custom”.
● Click on the “Parent Population” graph to draw the most unusual population distribution that you
can imagine.
● Set the Sample size ( n)   to 2 by selecting “N=2” from the drop‐down menu.
● Set the Number of samples ( N)   to 10,000 by clicking the button labeled “10,000”.

13 Sketch your population distribution in the box below.

(13) Answers will vary.
 Lesson 9.1.2: Central Limit Theorem for Sample Means 

14 What is the range of the sample means in the distribution of sample means? 

15 What is the shape of the distribution of sample means? 

16 Sketch the distribution of sample means, when  n = 2, in the box below. Run the simulation for sample 
sizes  n = 10, and  n = 25, by using the drop‐down menu to first select “N=10” and then “N=25”. For each 
simulation, set  N = 10,000 by clicking the button labeled “10,000” so that 10,000 random samples are 
created. Sketch your results in the boxes below.  

Unusual Population Distribution

17 What happens to the center and variability of the distribution of sample means when the sample size 
increases to  n = 25? 

18 Identify the mean and standard error of the distribution of sample means when  n = 25. How do the 
mean and standard error of this distribution compare to the mean and standard deviation of the 
population? 

Sampling from a Normal Population

For the last example, we will sample from a normal population. 

● Set the population type to “Normal”.
● Set the sample size ( n)   to 2 by selecting “N=2” from the drop‐down menu.
● Set the number of samples ( N)   to 10,000 by clicking the button labeled “10,000”.

Statway® Version 3.1, © 2018 WestEd. All rights reserved. 
9.1.2 | 5 
 Lesson 9.1.2: Central Limit Theorem for Sample Means 

19 Does the distribution of sample means appear normal? 

20 Experiment with different values of  n,  up to “N=25”, using the drop‐down menu. Be sure to click the 
“10,000” button (to collect 10,000 samples) each time that you change the sample size. Are you able to 
construct  any  distribution of sample means that does not appear normal for any sample size? 

21 When sampling from a normal population, is any restriction upon sample size necessary in order for the 
distribution of sample means to be normal? 

(14) Answers will vary  (based on population).

(15) Answers will vary  (based on population).

(16) Answers will vary.

(17) Answer:  The distribution appears approximately normal.

(18) Answers will vary.  The mean and standard error of the distribution of sample means will be
very close to  μ  and  σn  , respectively.

(19) Answer:  The sample means appear to be normally distributed.

(20) Answer:  No. The distribution of sample means appears normal with each sample size.

(21) Answer:  No,  i  t appears that the distribution of sample means will be normal for any sample size

when sampling from a normal population.

YOU NEED TO KNOW 

The  Central Limit Theorem for Sample Means  states that: 

Given  any  population with mean µ and standard deviation σ, the sampling distribution of sample
means sampled with replacement from random samples of size  n will have a distribution that 
approaches normality with increasing sample size.  

The mean and standard error of the sampling distribution are:

μx = μ

σx = √σn

The criteria for the approximate normality of a sampling distribution are that either the population from 
which we are sampling is normal, or the sample size is greater than 30. Very non‐normal populations may 
require samples substantially larger than 30. 
 Lesson 9.1.2: Central Limit Theorem for Sample Means 

NEXT STEPS 

We will now shift our attention from distributions of sample means to the sampling distribution of sample 
means. The sampling distribution of sample means is the distribution of  all  possible sample means from 
random samples of the same size.  

When a sampling distribution of sample means is approximately normal, we can use its mean and standard 
error to find the  Z‐  score of any particular sample mean. The  Z‐  score of a sample mean  x   from a sample of
size  n i s found by the formula:  

x − μ
Z= σ
√n

In the previous lesson, we explored a population distribution of acorn weights from oak trees. We saw that 
acorn weights are normally distributed with a mean weight of 3.75 grams and a standard deviation of 1.02 
grams. The population of acorn weights is displayed in the graph below. 

Population of Acorn Weights 

Suppose that we randomly select samples of 40 acorn weights. According to the Central Limit Theorem, 
since the population is normally distributed, sample means from random samples of size 40 will also be 
normally distributed.  

22 The sample size is  n = 40. Use the Central Limit Theorem to calculate the mean and standard error of 
the sampling distribution. 

σ
μx = μ =  
  __________ σx = = __________
√n

23 A particular random sample of size 40 has a mean weight of 5 grams. Find the  Z‐  score for the sample 
mean,  x = 5 . 
24 Would you consider this sample mean to be unusual? Be sure to explain your answer. 

(22) Answer:  μx = 3.75 and   σx = σ 1.02

=√ = 0.161  . 
√n 40

(23) Answer:  Z = 5 − 3.75

0.161 = 7.76  .

(24) Answer:  Yes, since a  Z‐  score greater than 2 corresponds to an unusual result.

 Lesson 9.1.2: Central Limit Theorem for Sample Means 
 

STUDENT NAME _____________________________________________________________DATE ______________________ 

TAKE IT HOME  

1 Some populations have a  triangular  distribution. Use the simulation at 

https://carnegiemathpathways.org/go/SamplingDist 

to construct a triangular population distribution. Set the distribution type to “Custom” and sketch a 
triangular distribution like the one below. 

A What are the mean and standard deviation of your triangular population distribution? 

μ  =  __________  σ = _________     
 

B Use the Central Limit Theorem to calculate the mean and standard error of the sampling distribution 
when the sample size is  n = 25. ( Note : non‐normal populations may require samples substantially 
larger than 30, but for this activity  n = 25 will give comparable results). 

μx = μ  = __________  σ x = √σn = __________   

 

C Set the sample size ( n)   to 25 by selecting “N=25” from the drop‐down menu, and set the number of 
samples ( N)   to 10,000 by clicking the “10,000” button. What is the shape of the distribution of 
sample means? 
 

D How close are the values (mean and standard error) from Question 1C to the mean and standard 
error of your sampling distribution (from Question 1B)? 
 

Statway® Version 3.1, © 2018 WestEd. All rights reserved. 
9.1.2 | 8 
 Lesson 9.1.2: Central Limit Theorem for Sample Means 
 

2 It is also possible to have a bimodal population distribution, which has two peaks with a valley or dip in 
the middle. For example, suppose you took samples of the length of human hair in your school. It is 
probable (but not certain!) that young females would tend to have long hair and young males would 
tend to have short hair. Use the simulation to construct a bimodal population distribution representing 
the distribution of hair lengths. 

A What are the mean and standard deviation of your bimodal population? 

μ  = __________ σ = __________   
 

 B Use the Central Limit Theorem to calculate the mean and standard error of the sampling distribution 
when the sample size is  n = 25.  

μx = μ  = __________ σx = √σn = __________   

 

C Set the sample size ( n)   to 25 by selecting “N=25” from the drop‐down menu, and set the number of 
samples ( N)   to 10,000 by clicking the “10,000” button. What is the shape of the distribution of 
sample means? 
 
 
 
 

D How close are the values from Question 2B to 

● the mean of your distribution of sample means?  
● the standard error of your distribution of sample means? 
 
 
 
Copyright © 2018 WestEd. All rights reserved. 
 
No part of this document may be used or reproduced in any manner without written permission from 
WestEd. Requests for permission to reproduce any part of this report should be directed to WestEd 
Publications Center, 730 Harrison Street, San Francisco, CA 94107‐1242, 888.293.7833, fax 415.512.2024, 
permissions@WestEd.org, or  http://www.WestEd.org/permissions . 
 
The original version of this work, version 1.0, was created by The Charles A. Dana Center at The University of 
Texas at Austin under sponsorship of the Carnegie Foundation for the Advancement of Teaching. All 
subsequent versions, including this version 3.1, resulted from the continuous improvement efforts of the 
Carnegie Networked Improvement Community.  

Statway® Version 3.1, © 2018 WestEd. All rights reserved. 
9.1.2 | 9