가우시안 외에도 몇몇 연속 분포가 반복해서 등장합니다. 이들은 각각 다른 종류의 질문에 답합니다. «어떤 범위 안에서 균등하게?», «다음 사건까지 얼마나 걸릴까?», «알려지지 않은 확률 자체는 어떻게 분포할까?»
Uniform U(a, b)는 구간 전체에 확률을 평평하게 펼쳐서 밀도가 상수 1/(b−a)로 일정합니다. «범위 말고는 아무것도 모른다»는 상황의 기본 분포이자, 표본 추출의 원재료이기도 합니다. 모든 난수 생성기가 U(0,1)에서 출발하기 때문입니다.
Exponential(λ)는 사건이 일정한 평균 속도 λ로 일어날 때, 다음 사건까지 걸리는 시간을 모델링합니다. 이 분포는 무기억성을 가집니다. 즉 이미 오래 기다렸다고 해서 남은 대기 시간이 달라지지 않습니다.
머신러닝에서의 위치Dirichlet은 «분포 위의 분포»입니다. 토픽 모델(LDA)의 혼합 가중치를 생성하고, 베이지안 분류기가 평균을 내는 범주 확률을 만들어 냅니다. Beta는 추정 중인 확률 — 클릭률이나 동전의 편향 같은 — 에 대한 대표적인 사전 분포이며, 밴딧의 Thompson sampling을 떠받치는 동력입니다. Uniform은 다른 모든 표본 추출기가 변환의 출발점으로 삼는 엔트로피 원천입니다.