下面以項目數據為例進行K值分析。
● K值并不是不變的，而是隨著樣本數據的增多在不斷改變。接下來，我們會以實際項目數據為例來分析K值的變化情況。原始數據個數是78，測試結果是得到100個預測點。本實驗只考慮Gompertz模型和Logistic模型。
◆ 測試開始初期，僅有9個數據時進行預測，如圖2
選擇9個數據是因為三和法對數據的基本要求即為“樣本數據個數大于9個”，所以我們選擇起點：9個數據點作為漸近值分析的起點。
從圖2中可以看出，9個數據時，樣本數據的累積值為100，預測值（即K）為187.0和103.5，這意味著樣本的趨近值為187.0和103.5，即到100個數據時，應當發現187.0或103.5個缺陷。Gompertz模型和Logistic模型都較為符合樣本趨勢，Gompertz模型稍好。
圖2 9個樣本數據時的預測
圖3 29個樣本數據時的預測圖
◆ 測試逐步進行，Gompertz模型數據增加到29個時進行預測，如圖3
選擇數據個數29的原因：根據實驗得出，Gompertz模型的拐點出現在大約在37%（1/e）的位置。這里我們使用的歷史數據個數是78個，因此得到拐點的位置大概在第29個。
從圖3中可以看出，29個數據時，樣本數據累積值是555，可見之前預測得到的K（187.0和103.5）都不再符合趨勢。此時，Gompertz模型預測出的K值為953.6，Logistic模型預測出的K值為536.8，這意味著樣本的趨近值為953.6或536.8，即到100個數據時，應當發現953.6或536.8個缺陷。這時的Gompertz模型和Logistic模型差異較大，從各個擬合度指標及樣本數據累積值來看，Gompertz模型更好。但是，實驗中，Logistic模型的拐點并不在37%處，而是在50%處。
