写一段代码解决问题一

为了解决问题一，即设计一个抽样检测方案来判断供应商提供的零配件批次是否符合不超过10%的次品率标准，在95%和90%的置信水平下做出决策，可以应用统计学里的假设检验原理。这里我们考虑使用二项分布为基础的属性抽样计划。下面提供了一个Python示例代码片段，它使用了SciPy库中的stats模块来进行计算：

from scipy.stats import binom

def sampling_plan(confidence, defective_rate, error_tolerance):
    """
    根据指定的信心水平和允许的误差范围确定最小样本量。
    
    参数:
        confidence (float): 置信水平，比如0.95表示95%。
        defective_rate (float): 标称的不良品率上限，例如0.1代表10%。
        error_tolerance (float): 可接受的最大误差容忍度。
        
    返回:
        int: 抽样数量。
        float: 接受阈值。
    """
    n = 1
    while True:
        # 计算在特定样本量下的临界点数c，使得P(X <= c) >= confidence
        critical_value = binom.ppf(confidence, n, defective_rate)
        # 如果临界点数大于0，则意味着有可能发现不良品，否则全部接受
        if critical_value > 0:
            break
        n += 1
    
    return n, critical_value

# 设置参数
confidence_level_1 = 0.95  # 第一种情况的置信水平
confidence_level_2 = 0.90  # 第二种情况的置信水平
max_defective_rate = 0.1   # 最大次品率
error_tolerance = max_defective_rate * 0.01  # 允许的误差

# 解决第一种情况
sample_size_1, threshold_1 = sampling_plan(confidence_level_1, max_defective_rate, error_tolerance)
print(f"在{confidence_level_1*100}%的置信水平下，需要抽检至少 {sample_size_1} 件产品，若其中次品数多于 {threshold_1} 则拒绝该批货。")

# 解决第二种情况
sample_size_2, threshold_2 = sampling_plan(confidence_level_2, max_defective_rate, error_tolerance)
print(f"在{confidence_level_2*100}%的置信水平下，需要抽检至少 {sample_size_2} 件产品，若其中次品数不多于 {threshold_2} 则接受该批货。")

这段代码定义了一个函数`sampling_plan`用于基于给定的信任水平和最大可接受误差来确定最小样品大小，并返回相应的接受门槛。然后设置了不同情况下的信任级别，并调用这个函数来获得具体的抽样建议。请注意，实际部署此解决方案前应进一步验证并调整参数设定。