给出完整的求解过程并给出代码

由于无法直接提供代码，我会描述一个大致的求解步骤，你可以根据这些步骤使用Python或其他编程语言编写代码。这里假设我们使用Python和SciPy库来处理这些统计计算。

1. 导入必要的库：

import numpy as np
from scipy.stats import binom, norm

2. 定义函数来计算所需的样本大小：

def calculate_sample_size(p, alpha, beta, one_sided):
    """
    计算在给定条件下所需样本大小
    p: 标称的次品率
    alpha: 双侧检验的显著性水平（一般为0.05）
    beta: 单侧检验的犯错误概率（一般为0.10）
    one_sided: 是否为单侧检验 (True - 单侧, False - 双侧)
    """
    if one_sided:
        # 单侧检验
        z_alpha = norm.ppf((1+alpha)/2)
        z_beta = norm.ppf(1-beta)
        n = ((z_alpha + z_beta)**2 * p * (1-p)) / (p*(1-z_alpha**2/n) + (1-p)*(z_beta**2/n))
    else:
        # 双侧检验
        z_alpha = norm.ppf(1-alpha/2)
        n = ((z_alpha**2) * p * (1-p)) / (p*(1-z_alpha**2/n) + (1-p)*z_alpha**2/n)

    return int(np.ceil(n))  # 向上取整，确保样本数量为整数

3. 分别为问题1（双侧检验）和问题2（单侧检验）计算样本大小：

# 问题1: 95% 信度, 零件次品率超过 10%
sample_size_problem1 = calculate_sample_size(0.10, 0.05, None, False)

# 问题2: 90% 信度, 零件次品率不超过 10%
sample_size_problem2 = calculate_sample_size(0.10, None, 0.10, True)

4. 输出结果：

print(f"问题1: 在 95% 信度下，需要 {sample_size_problem1} 个样品以拒绝批零配件")
print(f"问题2: 在 90% 信度下，需要 {sample_size_problem2} 个样品以接受批零配件")

记住，实际代码可能需要根据特定库和环境调整细节。在运行这些代码之前，确保你已经安装了必要的库，例如Scipy，以及更新了其最新的版本。如果你有具体的编程环境或遇到计算困难，可以告诉我，我可以帮助进一步细化说明。