diff --git a/P288 定理6.4.1.md b/P288 定理6.4.1.md
new file mode 100644
index 0000000..d85d347
--- /dev/null
+++ b/P288 定理6.4.1.md	
@@ -0,0 +1,166 @@
+## **定理6.4.1**
+
+设 \( X = (X_1, \dots, X_n) \) 是来自某总体的样本，  
+\(\hat{\theta} = \hat{\theta}(X)\) 是 \(\theta\) 的无偏估计，且 \(\mathrm{Var}(\hat{\theta}) < \infty\)。  
+则 \(\hat{\theta}\) 是 \(\theta\) 的 **UMVUE** 的充要条件是：
+
+对任意满足  
+
+ \[
+E_\theta[\varphi(X)] = 0, \quad \mathrm{Var}_\theta(\varphi(X)) < \infty, \quad \forall \theta \in \Theta
+\]  
+的随机变量 \(\varphi(X)\)，都有  
+
+ \[
+\mathrm{Cov}_\theta(\hat{\theta}, \varphi) = 0, \quad \forall \theta \in \Theta.
+\]
+
+---
+
+## **证明结构**
+
+证明分为两部分：
+
+1. **充分性**：若 \(\hat{\theta}\) 与所有零均值有限方差的 \(\varphi\) 不相关，则 \(\hat{\theta}\) 是 UMVUE。
+2. **必要性**：若 \(\hat{\theta}\) 是 UMVUE，则它与所有零均值有限方差的 \(\varphi\) 不相关。
+
+---
+
+## **1. 充分性证明**
+
+### 思路
+要证：\(\forall\) 无偏估计 \(\tilde{\theta}\)，有 \(\mathrm{Var}(\tilde{\theta}) \ge \mathrm{Var}(\hat{\theta})\)。
+
+**步骤：**
+
+1. 任取另一个无偏估计 \(\tilde{\theta}\)，令  
+
+   
+ \[
+   \varphi = \tilde{\theta} - \hat{\theta}.
+   \]
+   因为 \(E[\tilde{\theta}] = \theta\)，\(E[\hat{\theta}] = \theta\)，所以  
+
+   
+ \[
+   E[\varphi] = 0.
+   \]
+   且 \(\mathrm{Var}(\varphi) < \infty\)（因为 \(\tilde{\theta}\)、\(\hat{\theta}\) 方差有限）。
+
+2. 由已知条件：\(\mathrm{Cov}_\theta(\hat{\theta}, \varphi) = 0\)。
+
+3. 计算 \(\tilde{\theta}\) 的方差：
+
+   
+ \[
+   \tilde{\theta} = \hat{\theta} + \varphi.
+   \]
+   于是：
+
+   
+ \[
+   \mathrm{Var}(\tilde{\theta}) = \mathrm{Var}(\hat{\theta} + \varphi) 
+   = \mathrm{Var}(\hat{\theta}) + \mathrm{Var}(\varphi) + 2\mathrm{Cov}(\hat{\theta}, \varphi).
+   \]
+   因为协方差为 0，所以：
+
+   
+ \[
+   \mathrm{Var}(\tilde{\theta}) = \mathrm{Var}(\hat{\theta}) + \mathrm{Var}(\varphi) \ge \mathrm{Var}(\hat{\theta}).
+   \]
+   等号成立当且仅当 \(\mathrm{Var}(\varphi) = 0\)，即 \(\varphi\) 几乎处处为常数 0，从而 \(\tilde{\theta} = \hat{\theta}\) a.s.
+
+4. 结论：\(\hat{\theta}\) 的方差一致最小，所以它是 UMVUE。
+
+---
+
+## **2. 必要性证明**
+
+### 思路
+用反证法：假设 \(\hat{\theta}\) 是 UMVUE，但存在某个 \(\theta_0 \in \Theta\) 和某个零均值有限方差的 \(\varphi(X)\)，使得  
+
+
+ \[
+\mathrm{Cov}_{\theta_0}(\hat{\theta}, \varphi) = a \neq 0.
+\]  
+我们要构造一个新的无偏估计，它在 \(\theta_0\) 处方差比 \(\hat{\theta}\) 更小，矛盾。
+
+**步骤：**
+
+1. 设 \(a = \mathrm{Cov}_{\theta_0}(\hat{\theta}, \varphi) \neq 0\)，且 \(E_{\theta_0}[\varphi] = 0\)，\(\mathrm{Var}_{\theta_0}(\varphi) < \infty\)。
+
+2. 取  
+
+   
+ \[
+   b = -\frac{a}{\mathrm{Var}_{\theta_0}(\varphi)}.
+   \]
+   注意 \(b \neq 0\)。
+
+3. 构造新估计量：
+
+   
+ \[
+   \tilde{\theta} = \hat{\theta} + b\varphi.
+   \]
+   验证无偏性：  
+
+   
+ \[
+   E_\theta[\tilde{\theta}] = E_\theta[\hat{\theta}] + bE_\theta[\varphi] = \theta + b\cdot 0 = \theta, \quad \forall \theta.
+   \]
+   所以 \(\tilde{\theta}\) 是无偏估计。
+
+4. 计算在 \(\theta_0\) 处的方差：
+
+   
+ \[
+   \mathrm{Var}_{\theta_0}(\tilde{\theta}) 
+   = \mathrm{Var}_{\theta_0}(\hat{\theta} + b\varphi)
+   \]
+
+   
+ \[
+   = \mathrm{Var}_{\theta_0}(\hat{\theta}) + b^2 \mathrm{Var}_{\theta_0}(\varphi) + 2b\,\mathrm{Cov}_{\theta_0}(\hat{\theta}, \varphi).
+   \]
+   代入 \(b\) 和 \(a\)：
+
+   
+ \[
+   b^2 \mathrm{Var}_{\theta_0}(\varphi) = \frac{a^2}{[\mathrm{Var}_{\theta_0}(\varphi)]^2} \cdot \mathrm{Var}_{\theta_0}(\varphi) = \frac{a^2}{\mathrm{Var}_{\theta_0}(\varphi)},
+   \]
+
+   
+ \[
+   2b\,a = 2\left(-\frac{a}{\mathrm{Var}_{\theta_0}(\varphi)}\right) a = -\frac{2a^2}{\mathrm{Var}_{\theta_0}(\varphi)}.
+   \]
+   所以：
+
+   
+ \[
+   \mathrm{Var}_{\theta_0}(\tilde{\theta}) 
+   = \mathrm{Var}_{\theta_0}(\hat{\theta}) + \frac{a^2}{\mathrm{Var}_{\theta_0}(\varphi)} - \frac{2a^2}{\mathrm{Var}_{\theta_0}(\varphi)}
+   \]
+
+   
+ \[
+   = \mathrm{Var}_{\theta_0}(\hat{\theta}) - \frac{a^2}{\mathrm{Var}_{\theta_0}(\varphi)}.
+   \]
+   因为 \(a \neq 0\)，所以 \(\frac{a^2}{\mathrm{Var}_{\theta_0}(\varphi)} > 0\)，于是：
+
+   
+ \[
+   \mathrm{Var}_{\theta_0}(\tilde{\theta}) < \mathrm{Var}_{\theta_0}(\hat{\theta}).
+   \]
+
+5. 这与 \(\hat{\theta}\) 是 UMVUE 矛盾！  
+   因此假设不成立，必须有 \(\mathrm{Cov}_\theta(\hat{\theta}, \varphi) = 0\) 对所有 \(\theta\) 成立。
+
+---
+
+## **直观理解**
+
+- 充分性：如果 \(\hat{\theta}\) 与所有“零均值扰动” \(\varphi\) 不相关，那么你无法通过加上一个零均值的随机项来减少方差（因为方差只会增加）。
+- 必要性：如果存在某个零均值的 \(\varphi\) 与 \(\hat{\theta}\) 相关（协方差非零），那么可以适当组合 \(\hat{\theta}\) 与 \(\varphi\) 得到一个方差更小的无偏估计，矛盾。
+
+---