在统计学中，连续分布是指概率分布的值可以在连续范围或区间内取任意值。以下是一些常见的连续概率分布及其特点：

1. 正态分布（高斯分布）： 正态分布是最著名的连续分布之一，其形状呈现为对称的钟形，由两个参数决定：均值（μ）和方差（σ²）。在实际应用中，很多自然和社会现象的数据分布接近正态分布，如人的身高、考试成绩等。
2. 均匀分布： 在均匀分布中，所有数值在一定范围内出现的概率是相等的。其概率密度函数在定义区间内是常数，在区间外为零。例如，理想的骰子的每一面出现的概率就是均匀分布。
3. 指数分布： 指数分布经常用来描述独立随机事件发生的时间间隔，比如放射性物质的衰变、电话呼叫的间隔等。它的概率密度函数是单调递减的，表示事件发生的间隔时间越长，其概率越低。
4. t分布（学生t分布）： t分布主要用于小样本数据集的均值的假设检验，当样本量较小且总体标准差未知时，t分布提供了一种比正态分布更为可靠的途径。
5. 卡方分布： 卡方分布通常用于样本方差的分布和假设检验，尤其在拟合优度测试和独立性测试中有广泛应用。
6. 伽玛分布： 伽玛分布是一种用两个参数来定义的连续概率分布，它可以用来描述等待多个独立事件发生所需的时间。
7. 贝塔分布： 贝塔分布是定义在0和1之间的连续概率分布，常用于表示一定范围内的概率的分布，如物品的合格率、投票率等。
8. 韦布尔分布： 韦布尔分布在生存分析、可靠性工程和风险分析中十分有用。它可以用来描述生命期、故障率等的时间分布。
9. 对数正态分布： 当一个变量可以表示为多个独立正态分布变量的乘积时，该变量的对数转换通常接近正态分布。它适用于描述股票价格、城市人口等。

这些分布各有特点，选择适合的分布模型对数据进行分析是统计学中的一个重要环节。在实际应用中，研究者会根据数据的性质和分析的需要选择合适的连续概率分布。