一台机器按不同的转速生产出来的某机械零件有一些会有缺点，每小时生产有缺点零件的多少随机器的运转速度而变化，下表为抽样试验的结果：

\((1)\)画出散点图；

\((2)\)如果\(y\)对\(x\)有线性关系，求回归直线方程；

\((3)\)若实际生产中，允许每小时生产的产品中有缺点的零件最多为\(10\)个，那么机器的运转速度应控制约在什么范围内\(?\)

附：\(b=\dfrac{\sum\limits_{i=1}^{n}{{{x}_{i}}{{y}_{i}}-n\overline{x}\overline{y}}}{\sum\limits_{i=1}^{n}{x_{i}^{2}-n{{\overline{x}}^{2}}}}\)，\(a=\overline{y}-b\overline{x}\)

经观测，某昆虫的产卵数\(y\)与温度\(x\)有关，现将收集到的温度\({{x}_{i}}\)和产卵数\({{y}_{i}}(i=1,2,…,10)\)的\(10\)组观测数据作了初步处理，得到如下图的散点图及一些统计量表\(.\)表中\({{z}_{i}}=\ln {{y}_{i}}\)，\(z=\dfrac{1}{10}\sum\limits_{i=1}^{10}{{{z}_{i}}}\)

\((1)\)根据散点图判断，\(y=a+bx\) ，\(y=a+\sqrt{x}\)与\(y={{c}_{1}}{{e}^{{{c}_{2}}x}}\) 哪一个适宜作为\(y\)与\(x\)之间的回归方程模型？\((\)给出判断即可，不必说明理由\()\)

\((2)\)根据\((1)\)的判断结果及表中数据．

\(①\)试求\(y\)关于\(x\)回归方程；

\(②\)已知用人工培养该昆虫的成本\(h(x)\)与温度\(x\)和产卵数\(y\)的关系\(h(x)=x(\ln y-2.4)+170\)当温度\(x(x\)取整数\()\)为何值时，培养成本的预报值最小？

附：对于一组数据\(({{u}_{1}},{{v}_{1}}),({{u}_{2}},{{v}_{2}}),\cdot \cdot \cdot ,({{u}_{n}},{{v}_{n}})\)，其回归直线\(v=\alpha +\beta u\)的斜率和截距的最小二乘估计分别为\(β= \dfrac{ \sum\nolimits_{i=1}^{n}\left({u}_{i}- \overset{-}{u}\right)\left({v}_{i}- \overset{-}{v}\right)}{ \sum\limits_{i=1}^{n}{\left({u}_{i}- \overset{-}{u}\right)}^{2}} \)，\(\alpha =\overset{-}{{v}}\,-\beta \overset{-}{{u}}\,\)．

下列命题中，正确的命题有__________．

\(①\)回归直线\(\hat {y}=\hat {b}x+\hat {a} \)恒过样本点的中心\(( \overset{¯}{x}, \overset{¯}{y}) \)，且至少过一个样本点；

\(②\)将一组数据的每个数据都加一个相同的常数后，方差不变；

\(③\)用相关指数\(R^{2}\)来刻面回归效果；表示预报变量对解释变量变化的贡献率，越接近于\(1\)，说明模型的拟合效果越好；

\(④\)若分类变量\(X\)和\(Y\)的随机变量\(K^{2}\)的观测值\(K\)越大，则“\(X\)与\(Y\)相关”的可信程度越小；

\(⑤.\)对于自变量\(x\)和因变量\(y\)，当\(x\)取值一定时，\(y\)的取值具有一定的随机性， \(x\)，\(y\)间的这种非确定关系叫做函数关系；

\(⑥.\)残差图中残差点比较均匀的地落在水平的带状区域中，说明选用的模型比较合适；

\(⑦.\)两个模型中残差平方和越小的模型拟合的效果越好．

\(16\)年入冬以来，各地雾霾天气频发，\(PM2.5\)频频爆表\((PM2.5\)是指直径小于或等于\(2.5\)微米的颗粒物\()\)，各地对机动车更是出台了各类限行措施\(.\)为分析研究车流量与\(PM2.5\)的浓度是否相关，某市现采集到周一到周五某一时间段车流量与\(PM2.5\)的数据如下表：

\((\)Ⅰ\()\)请根据上述数据，在下面给出的坐标系中画出散点图；

\((\)Ⅱ\()\)试判断\(x \)与\(y \)是否具有线性关系，若有请求出\(y \)关于\(x \)的线性回归方程\(\widehat{y}=\widehat{b}x+\widehat{a}\)，若没有，请说明理由；

\((\)Ⅲ\()\)若周六同一时间段的车流量为\(60\)万辆，试根据\((II)\)得出的结论，预报该时间段的\(PM2.5\)的浓度\((\)保留整数\().\)参考公式\(\widehat{b}=\dfrac{\sum\limits_{i=1}^{n}{{{x}_{i}}{{y}_{i}}}-n\overline{x}\overline{y}}{\sum\limits_{i=1}^{n}{{{x}_{i}}^{2}}-n{{\overline{x}}^{2}}}=\dfrac{\sum\limits_{i=1}^{n}{({{x}_{i}}-\overline{x})({{y}_{i}}}-\overline{y})}{\sum\limits_{i=1}^{n}{{{({{x}_{i}}-\overline{x})}^{2}}}},\widehat{a}=\overline{y}-\widehat{b}\overline{x}\)．