当今社会汽车与人们的生活紧密相连，下面是某汽车销售公司做了一次抽样调查，并得出某款车的使用年限\(x(x=1,2,3,4,5,6,7)\)与所支出的总费用\(y(\)单位：万元\()\)的折线图．

\((\)Ⅰ\()\)由折线图看出，可用线性回归模型拟合\(y\)与\(x\)的关系，请用相关系数加以说明\((\)精确到\(0.01)\)；

\((\)Ⅱ\()\)建立\(y\)关于\(x\)的回归方程\((\)系数精确到\(0.1)\)，预测使用年限为\(10\)年时，车的使用总费用是多少万元？参考数据：\(\sum\limits_{i=1}^{7}{{{y}_{i}}=34.30}\)，\(\sum\limits_{i=1}^{7}{{{x}_{i}}{{y}_{i}}=170.90}\)，\(\sqrt{\sum\limits_{i=1}^{7}{{{({{y}_{i}}-\overline{y})}^{2}}}}=6.55\)，\(\sqrt{7}\approx 2.646\)参考公式：相关系数\(r=\dfrac{\sum\limits_{i=1}^{m}{({{x}_{i}}-\overline{x})({{y}_{i}}-\overline{y})}}{\sqrt{\sum\limits_{i=1}^{n}{{{({{x}_{i}}-\overline{x})}^{2}}\sum\limits_{i=1}^{n}{{{({{y}_{i}}-\overline{y})}^{2}}}}}}\)回归直线方程\(\widehat{y}=\widehat{a}+\widehat{b}x\)的斜率和截距的最小二乘法估计公式分别为：\(\widehat{b}=\dfrac{\sum\limits_{i=1}^{n}{({{x}_{i}}-\overline{x})({{y}_{i}}-\overline{y})}}{\sum\limits_{i=1}^{n}{{{({{x}_{i}}-\overline{x})}^{2}}}}\)，\(\widehat{a}=\overline{y}-\widehat{b}\overline{x}\)

某兴趣小组欲研究昼夜温差大小与患感冒人数多少之间的关系，他们分别到气象局与某医院抄录了 \(1\)至\(6\)月份每月\(10\)号的昼夜温差情况与因患感冒而就诊的人数，得到如下资料：

该兴趣小组确定的研究方案是：先用\(2\)、\(3\)、\(4\)、\(5\)月的\(4\)组数据求线性回归方程，再用\(1\)月和\(6\)月的\(2\)组数据进行检验．

\((1)\)请根据\(2\)、\(3\)、\(4\)、\(5\)月的数据，求出\(y\)关于\(x\)的线性回归方程\(\hat{y}=bx+a\)；

\((2)\)若由线性回归方程得到的估计数据与所选出的检验数据的误差均不超过\(2\)人，则认为得到的线性回归方程是理想的，试问该小组所得线性回归方程是否理想？

\((\)参考公式：\(b=\dfrac{{\sum }_{i=1}^{n}\left( {{x}_{i}}-\bar{x} \right)\left( {{y}_{i}}-\bar{y} \right)}{{\sum }_{i=1}^{n}{{\left( {{x}_{i}}-\bar{x} \right)}^{2}}}=\dfrac{{\sum }_{i=1}^{n}{{x}_{i}}{{y}_{i}}-n\bar{x}\bar{y}}{{\sum }_{i=1}^{n}{{x}_{i}}^{2}-n{{{\bar{x}}}^{2}}}\)，\(a=\bar{y}-b\bar{x})\)

\((\)参考数据：\(11\times 25+13\times 29+12\times 26+8\times 16=1092\)；\({{11}^{2}}+{{13}^{2}}+{{12}^{2}}+{{8}^{2}}=498\)\(.)\)

抽样调查某大型机器设备使用年限\(x\)和该年支出维修费用\(y\)\((\)万元\()\)，得到数据如表

 参考公式：线性回归直线方程为\( \overset{\}{y} = \overset{\}{b} \)\(x\)\(+ \overset{\}{a} \)，\( \overset{\}{b} = \dfrac{ \sum\nolimits_{i=1}^{i=n}({x}_{i}- \bar{x})·({y}_{i}- \bar{y})}{ \sum\nolimits_{i=1}^{i=n}({x}_{i}- \bar{x}{)}^{2}}= \dfrac{ \sum\nolimits_{i=1}^{n}{x}_{i}{y}_{i}-n \bar{xy}}{ \sum\nolimits_{i=1}^{n}x_{i}^{2}-n{ \bar{x}}^{2}} \) 

某地区\(2011\)年至\(2017\)年农村居民家庭纯收入\(y(\)单位：千元\()\)的数据如下表：

\((1)\)求\(y\)关于\(t\)的线性回归方程；

\((2)\)利用\((1)\)中的回归方程，分析\(2011\)年至\(2017\)年该地区农村居民家庭人均纯收入的变化情况，并预测该地区\(2019\)年农村居民家庭人均纯收入．

附：回归直线的斜率和截距的最小二乘法估计公式分别为：

\(\overset{\wedge }{{b}}\,=\dfrac{\sum\limits_{i=1}^{n}{\left( {{t}_{i}}-\bar{t} \right)\left( {{y}_{i}}-\bar{y} \right)}}{\sum\limits_{i=1}^{n}{{{\left( {{t}_{i}}-\bar{t} \right)}^{2}}}}\)，\(\hat{a}=\bar{y}-\hat{b}\bar{t}\)