Примем, что шкальное значение, соответствующее стимулу S1, равно 1. Таким образом, мы вводим единицу измерения на будущей шкале (в нашем примере — это 1 "вег") и строим на ней первую точку с координатами (100; 1 или S1; S'1 нa рис. 2). Тогда стимулу S0, оцененному как в n раз меньший, соответствует шкальное значение 1/n. Отложив по оси абсцисс значение S0 (мы его находим без труда из графика "деления на n", приведенного на рис.1, т.к. в опыте уже найден тот вес, который ощущается как половина от S1), соотносим его со шкальным значением 1/n и строим на графике вторую точку. В нашем примере шкальное значение S'0 будет равно 1/2. Так можно найти и все дальнейшие отрицательные степени n. Естественно, что точность построения психофизической функции будет зависеть от точности вычислений стимульных значений по графику "деления на n", что, в свою очередь, определяется "хорошестью" подгонки экспериментальных точек под плавную кривую или прямую, отражающую устойчивость полученной эмпирической зависимости. Чтобы получить все положительные степени того же отношения, необходимо изменить направление наших расчетов. Найдем по графику "деления на n" величину стимула, который при делении на n дает 1 вег — S'2. Эту величину можно найти, проведя перпендикуляр от той точки на оси ординат, которая соответствует 1 вегу, до пресечения с аппроксимирующей кривой (прямой), и из точки пересечения опустить перпендикуляр на абсциссу. Найденная величина (S2) соответствует n вегам (в нашем примере n = 2) и может, в свою очередь, быть использована для определения 2n вегов и т.д.

По найденным парам значений на субъективной шкале (Z) и на физической шкале стимулов (S) строится психофизическая функция: по оси абсцисс откладываются субъективные величины (например, веги), а по оси ординат — соответствующие им значения физического параметра стимула (например, граммы). Плавная линия, соединяющая точки, образованные парами значений Z и S, и образует графическую шкалу ощущений тяжести. Эта линия может быть проведена "на глазок" или с использованием методов регрессионного анализа и аппроксимирована подходящей математической функцией.