◆ 測試逐步進行，數據增加到39個時進行預測，如圖4
選擇數據個數39是因為這是Logistic模型拐點的位置。經過計算，45個數據時，樣本數據累積值是763，之前計算出的K值再次證明不符合趨勢。從圖4中可以看出，Gompertz模型預測出預測值為1074.0，Logistic模型預測出的K值為707.9，這意味著樣本的趨近值為1074.0或707.9，即到100個數據時，應當發現1074.0或707.9個缺陷。這時的Gompertz模型和Logistic模型差異較大，從各個擬合度指標來看，依然是Gompertz模型更好。
圖4 39個樣本數據時的預測圖
圖5 全部樣本數據計算得到的預測圖
◆ 測試逐步進行，數據增加到78、也是全部的樣本數據，如圖5
經過計算，全部樣本數據的累積值是1123，之前測試出的K值（1167.1或976.3）中的1167.1可能符合趨勢，但仍然需要進行預測驗證。從圖5中可以看出，Gompertz模型預測出預測值為1169，Logistic模型預測出的K值為1083.2，由于Logistic模型預測出的K值在多次實驗中都小于樣本累積值，可以判斷出Logistic模型并不符合給定樣本的趨勢，這也意味著樣本的趨近值為Gompertz模型預測得到的K值，即1169，即到100個數據時應當發現1169個缺陷。
由此可見，K值的變化趨勢經歷了不斷增長的一個過程，從不斷增加，到趨于穩定，如圖6，此時的K的變化情況近似于指數曲線。
圖6 漸近值K的變化趨勢
