该理论指出，我们能收敛到起始向量中表示的那些特征值，且在谱的两端的特征值收敛更快。这些特征值与剩余特征值的分离程度越好，它们的收敛速度就越快。
在实际应用中，我们往往只对最低特征值感兴趣，而直接迭代算法[5.4]中这些特征值是首先收敛的，这是有益的。另一方面，最低特征值的相对分离度常常不佳——记住，分离度是相对于整个谱的分布，而非与原点的距离。
在这些情况下，当我们希望获得指定范围内的特征值，例如 \alpha \le \lambda \le \beta，采用适当选择的位移\sigma的位移-反演算法[5.5]，例如在区间 \alpha \le \sigma \le \beta内，具有极大的优势。
在广义情况下，位移-反演策略比标准情况更具动力，因为我们无论如何都需解一个系统，无论是在步骤4还是步骤9。位移-反演算子C（[5.16]），通常具有远为更好的分离特征值，仅需j=50而非数百次迭代就能得到10个特征值。