这个问题可以通过 逐次抽样检测 和 置信区间 的方法来解决。我们将基于已检测的零配件数量 $n$ 和其中不合格零件的数量 $k_n$ 来判断是否接收或拒收这批零配件。在逐次检测过程中，计算每次抽样后的置信区间，并根据不同的信度要求作出决策。

我们使用 二项分布 来描述零配件的不合格率问题。对于每次抽样，假设不合格零件的概率为 $p$，则抽取 $n$ 个零件后观察到 $k_n$ 个不合格零件的概率服从二项分布：

$$ P(k_n) = \binom{n}{k_n} p^{k_n} (1 - p)^{n - k_n} $$

我们的目标是使用已抽取的 $n$ 个样本和观察到的次品数 $k_n$ 来估计不合格率 $p$，并通过置信区间来判断是否接收这批零件。

假设：供应商声称次品率 $p \leq 10%$。
逐次抽样检测：我们通过逐次抽样检测，并根据已检测样本数量和次品数量，实时计算次品率的置信区间，直到满足以下任一条件：
- 在 95% 信度下，确定次品率超过 10%，则拒收；
- 在 90% 信度下，确定次品率 不超过 10%，则接收。

利用 Wilson score interval 或 Clopper-Pearson interval 来计算不合格率 $p$ 的置信区间。

$$ \hat{p} = \frac{k_n + z^2 / 2}{n + z^2} $$ $$ \text{误差项} = z \sqrt{\frac{\hat{p}(1 - \hat{p})}{n + z^2}} $$

其中，$z$ 是对应置信水平的 $z$ 值（查标准正态分布表），例如：

置信区间为：

$$ [\hat{p} - \text{误差项}, \hat{p} + \text{误差项}] $$

设定次品率阈值 $p_0 = 0.10$。
检测 $n$ 个零件后，观察到 $k_n$ 个不合格零件，计算置信区间。
判断：
- 如果置信区间的下限大于 0.10，则在 95% 信度下，认为次品率超过 10%，拒收；
- 如果置信区间的上限小于 0.10，则在 90% 信度下，认为次品率不超过 10%，接收；
- 如果以上两个条件都不满足，则继续抽样检测。

我们使用 95% 的置信区间，当检测 $n$ 个零件后，计算出的次品率置信区间的下限超过 10%，则认为次品率超标，拒收。

假设检测到 $k_n$ 个次品，我们可以根据公式计算信度。如果我们发现抽样过程中次品数迅速增加，例如检测了 50 个零件后，有 8 个不合格零件（次品率 $16%$），则我们可以计算出 95% 信度下的置信区间，并判断是否拒收。

使用 90% 的置信区间，如果检测后置信区间的上限低于 10%，则认为次品率符合标准，接收该批零配件。

假设检测了 50 个零件，发现仅有 2 个不合格零件（次品率 $4%$），通过计算 90% 信度的置信区间，判断是否可以接收。

在实际应用中，检测过程是动态进行的。每次检测一个零件后，更新次品率估计值并计算对应的置信区间，直到满足接收或拒收条件。这个过程可以大大减少检测次数，节约检测费用。