独立同分布变量X的分布识别：由X-X'的分布推导的可识别性与求解方法问询

先来明确核心结论：是的，X的分布可以在均值平移的范围内被唯一识别——也就是说，我们无法确定X的均值，但X减去自身均值后的分布是完全确定的。下面我会结合你提到的卷积思路，从特征函数的角度拆解问题，同时给出具体的求解路径：

一、可识别性的核心逻辑 #

假设X的均值为μ，令Y = X - μ（此时Y的均值为0），那么X - X' = (Y + μ) - (Y' + μ) = Y - Y'。这意味着不管μ取什么值，X-X'的分布都和Y-Y'的分布完全一致，所以我们无法从X-X'的分布中反推出μ的具体值，但Y的分布是唯一确定的——换句话说，X的分布只能被确定到“加上任意常数（均值平移）”的程度。

二、你提到的卷积积分的进一步拆解 #

你写出的CDF表达式是完全正确的：
$$\forall c\in \mathbb{R}^+, F_{X-X'}(c) = \int_{-\infty}^{{\infty}f_X(x')\int_{-\infty}}{x'+c}f_X(x) \ dxdx' = \int_{-\infty}^{\infty} F_X(x' + c) f_X(x') dx'$$
这本质上是$F_X$和$f_X$的卷积，对应的PDF层面的关系是：$f_{X-X'}(z) = \int_{-\infty}^{\infty} f_X(x) f_X(x + z) dx$，也就是$f_X$和$f_{-X}$的卷积（因为$f_{-X}(z) = f_X(-z)$）。这个积分方程直接求解确实比较麻烦，但借助特征函数可以大幅简化。

三、利用特征函数的求解路径 #

特征函数是解决卷积类问题的利器，因为卷积对应的是特征函数的乘积：

1. 设$Z = X - X'$，则$Z$的特征函数$\varphi_Z(t) = \varphi_X(t) \cdot \varphi_{-X'}(t)$。
2. 由于X和X'独立同分布，$\varphi_{-X'}(t) = \varphi_X(-t)$，而实值随机变量的特征函数满足$\varphi_X(-t) = \overline{\varphi_X(t)}$（$\overline{\cdot}$表示共轭），因此：
   $$\varphi_Z(t) = |\varphi_X(t)|^2$$
3. 我们可以从已知的$F_Z$（或$f_Z$）求出$\varphi_Z(t)$，然后对$\varphi_Z(t)$取“特征函数合法的平方根”得到$\varphi_X(t)$——这里的“合法”是指$\varphi_X(t)$必须满足特征函数的性质：连续、$\varphi_X(0)=1$、非负定（Bochner定理）。
4. 最后通过逆傅里叶变换，从$\varphi_X(t)$反推出$f_X(x)$（或$F_X(x)$）。

需要注意的是，这个平方根的选择会引入一个相位项$e^{i\mu t}$（对应均值平移），这也正好对应了我们之前说的“均值无法确定”——不同的$\mu$会给出不同的$\varphi_X(t)$，但它们的模平方都是$\varphi_Z(t)$，对应的X-X'分布不变。

四、实例验证 #

比如假设$Z = X - X'$服从正态分布$N(0, 2\sigma^2)$，那么它的特征函数是$\varphi_Z(t) = e^{-\sigma2 t^2}$。取平方根后得到$\varphi_X(t) = e^{-\sigma2 t^2/2 + i\mu t}$，对应的X服从$N(\mu, \sigma^{2)$——确实，均值$\mu$可以是任意实数，但方差$\sigma}2$是唯一确定的，符合我们的结论。

备注：内容来源于stack exchange，提问作者graphitump