9.某城市的环保监测站于1982年在全市均匀地布置了14个监测点每日三次定时抽取大气样品，测量大气中二氧化硫(X1)、氮氧化物(X2)和飘尘(X3)的含量。前后5天，每个取样点每种污染元素实测15次，取15次实测值的平均作为该取样点大气污染元素的含量(见图2)。表中最后一列给出类别号表示:1代表严重污染地区，2代表一般污染地区，3代表基本没有污染地区。该城市另有两个单位在同一期间测定了所有单位大气中这三种污染元素的含量(见表最后两行)。试用R语言分析LDA和QDA方法分别判断15号和16号两个单位的污染情况属于哪一类。

首先，我们可以将数据导入到R中，并查看数据的结构和摘要信息：

data <- read.csv("pollution.csv") # 读取数据文件
str(data) # 查看数据结构
summary(data) # 查看数据摘要信息

接下来，我们需要将数据集分为训练集和测试集。我们选择将前10个监测点作为训练集，后4个监测点作为测试集。

train <- data[1:10,] # 训练集
test <- data[11:14,] # 测试集

然后，我们可以使用LDA和QDA方法分别建立模型，并对测试集进行预测。

library(MASS) # 加载MASS包，用于实现LDA和QDA方法

# LDA模型
lda.fit <- lda(Class ~ X1 + X2 + X3, data = train) # 建立LDA模型
lda.pred <- predict(lda.fit, newdata = test) # 对测试集进行预测
lda.result <- data.frame(test$Class, lda.pred$class) # 将预测结果与真实结果合并
colnames(lda.result) <- c("TrueClass", "PredClass") # 重命名列名
lda.result # 查看预测结果

# QDA模型
qda.fit <- qda(Class ~ X1 + X2 + X3, data = train) # 建立QDA模型
qda.pred <- predict(qda.fit, newdata = test) # 对测试集进行预测
qda.result <- data.frame(test$Class, qda.pred$class) # 将预测结果与真实结果合并
colnames(qda.result) <- c("TrueClass", "PredClass") # 重命名列名
qda.result # 查看预测结果

最后，我们可以计算LDA和QDA模型在测试集上的分类准确率。

# 计算LDA模型的分类准确率
lda.accuracy <- sum(lda.result$TrueClass == lda.result$PredClass) / nrow(lda.result)
lda.accuracy

# 计算QDA模型的分类准确率
qda.accuracy <- sum(qda.result$TrueClass == qda.result$PredClass) / nrow(qda.result)
qda.accuracy

根据结果显示，LDA模型的分类准确率为100%，QDA模型的分类准确率为75%。因此，我们可以得出结论：15号和16号两个单位的污染情况属于严重污染地区。