连续型随机变量是指如果随机变量X的所有可能取值不可以逐个列举出来，而是取数轴上某一区间内的任一点的随机变量。

例如，一批电子元件的寿命、实际中常遇到的测量误差、温度变化、人的身高与体重、一些常见的科学变量（长度、面积、体积，时间、速度、质量、声音强度、电压、能量，流量、压力、深度、PH值、湿度）等都是连续型随机变量。

概念辨析

能按一定次序一一列出，其值域为一个或若干个有限或无限区间，这样的随机变量称为离散型随机变量。离散型随机变量与连续型随机变量也是由随机变量取值范围（或说成取值的形式）确定，变量取值只能取离散型的自然数，就是离散型随机变量。

连续性随机变量X的分布函数F(x)可表示成一个非负可积函数f(x)的积分，则称X为连续性随机变量，f(x)称为X的概率密度函数（分布密度函数）。

常见的连续型随机变量的分布有：均匀分布（也称为矩形分布，X~U (a,b) ，如在随机数生成或几何概率问题中如投掷飞镖落在靶盘特定区域，可提供等可能性假设）、累积均匀分布、指数分布（常用于描述事件发生的时间间隔，如电话呼入的时间间隔，具有“无记忆性”特性，即未来事件发生的概率与过去状态无关，典型应用包括设备寿命建模、排队论中的服务时间分析，其概率密度函数随时间的推移呈指数衰减）、其他概率密度函数【英语是 "probability density function"，简称 "pdf"】（正态分布，最重要的连续分布，非常重要，是自然界和社会科学中最常见的分布，连随机变量也有独特的名字： Z，常用于描述测量误差、身高体重等连续数据）、伽玛（分布通过形状参数（α）和速率参数（β）描述多个独立事件发生所需时间的总和，例如系统故障前累计承受的应力次数，它是指数分布和卡方分布的一般化形式）、贝塔分布（定义在[0，1]区间，适用于描述比例或概率的不确定性，如产品合格率估计。其形状由α、β两个参数控制，能够灵活拟合不同形态的分布曲线）、对数正态分布（若随机变量的对数服从正态分布，则该变量服从对数正态分布。其特点是右偏态，常用于金融领域如股票价格波动或生物学中如药物在体内的代谢时间）、卡方分布（统计学中用于假设检验的重要分布，描述k个独立标准正态变量的平方和。主要应用于方差分析、独立性检验如列联表检验和置信区间估计）、t分布（学生分布）（在小样本统计推断中替代正态分布，其形态比正态分布更扁平、尾部更厚。广泛应用于总体方差未知时的均值检验如t检验和回归分析中的参数显著性判断）、F分布（用于比较两个独立正态总体的方差是否相等——方差齐性检验，也是方差分析ANOVA和多元回归模型中检验整体显著性的核心分布，其形态由两个自由度参数决定）等九大类。