与厄米情况类似，假设\lambda_j和q_j是矩阵A的一个特征值与特征向量对，使得 \vert\lambda_j - \sigma \vert^{-1}在模上为 (A - \sigma I)^{-1}的最大特征值。若初始向量 v不垂直于q_j，则逆幂法收敛。收敛速率为 \left\vert(\lambda_j - \sigma )/(\lambda_k- \sigma )\right\vert，其中\lambda_k是矩阵A的一个特征值，使得 \vert\lambda_k - \sigma \vert^{-1}在模上为 (A - \sigma I)^{-1}的第二大特征值。
通常，若选择\sigma非常接近所需特征值，逆迭代比幂法具有更快的收敛速度。然而，逆迭代需要对矩阵A-\sigma I进行分解，这在分解成本高昂时使其吸引力降低。