U mnogim praktičnim aplikacijama prava vrednost ''σ'' nije poznata. Konsekventno, neophodno je da se koristi distribuciju koja uzima u obzir opseg mogućih ''σ'' vrednosti. Kada je poznato da je istinska ishodišna distribucija [[Нормална расподела|Gausijan]], iako sa nepoznatim σ, tada dobijena procenjena distribucija sledi [[Student's t-distribution|Studentovu t-distribuciju]]. Standardna greška je standardna devijacija Studentove t-distribucije. T-distribucije se donekle razlikuju od Gausove i variraju u zavisnosti od veličine uzorka. Mali uzorci u izvesnoj meri verovatnije mogu da dovedu do podcenjivanja populacione standardne devijacije i imaju srednju vrednost koja se razlikuje od stvarne populacione srednje vrednosti. Studentova t-distribucija daje verovatnoću ovih događaja s nešto težim repovima u poređenju sa Gausovom. Za procenu standardne greške Studentove t-distribucije dovoljno je da se koristi uzorkovanje standardne devijacije -{''s''}- umjesto ''σ'', i to se može koristiti za izračunavanje intervala poverenja.
In many practical applications, the true value of ''σ'' is unknown. As a result, we need to use a distribution that takes into account that spread of possible ''σ'''s.
When the true underlying distribution is known to be Gaussian, although with unknown σ, then the resulting estimated distribution follows the Student t-distribution. The standard error is the standard deviation of the Student t-distribution. T-distributions are slightly different from Gaussian, and vary depending on the size of the sample. Small samples are somewhat more likely to underestimate the population standard deviation and have a mean that differs from the true population mean, and the Student t-distribution accounts for the probability of these events with somewhat heavier tails compared to a Gaussian. To estimate the standard error of a Student t-distribution it is sufficient to use the sample standard deviation "s" instead of ''σ'', and we could use this value to calculate confidence intervals.
